論文の概要: Balanced Hyperbolic Embeddings Are Natural Out-of-Distribution Detectors

• arxiv url: http://arxiv.org/abs/2506.10146v1
• Date: Wed, 11 Jun 2025 19:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.424967
• Title: Balanced Hyperbolic Embeddings Are Natural Out-of-Distribution Detectors
• Title（参考訳）: バランスの取れた双曲型埋め込みは自然な分布外検知器である
• Authors: Tejaswi Kasarla, Max van Spengler, Pascal Mettes,
• Abstract要約: 階層的な双曲型埋め込みは、分布内および分布外サンプルの識別に好適である。 階層的歪みと浅層と広層の階層間のバランスを協調的に最適化する双曲型クラス埋め込みアルゴリズムを概説する。 我々の双曲的埋め込みは、他の双曲的アプローチよりも優れ、最先端のコントラスト的手法に勝り、階層的な分布の一般化を可能にする。
• 参考スコア（独自算出の注目度）: 13.816378672996784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution recognition forms an important and well-studied problem in deep learning, with the goal to filter out samples that do not belong to the distribution on which a network has been trained. The conclusion of this paper is simple: a good hierarchical hyperbolic embedding is preferred for discriminating in- and out-of-distribution samples. We introduce Balanced Hyperbolic Learning. We outline a hyperbolic class embedding algorithm that jointly optimizes for hierarchical distortion and balancing between shallow and wide subhierarchies. We then use the class embeddings as hyperbolic prototypes for classification on in-distribution data. We outline how to generalize existing out-of-distribution scoring functions to operate with hyperbolic prototypes. Empirical evaluations across 13 datasets and 13 scoring functions show that our hyperbolic embeddings outperform existing out-of-distribution approaches when trained on the same data with the same backbones. We also show that our hyperbolic embeddings outperform other hyperbolic approaches, beat state-of-the-art contrastive methods, and natively enable hierarchical out-of-distribution generalization.
• Abstract（参考訳）: アウト・オブ・ディストリビューション認識は、ディープラーニングにおいて重要でよく研究されている問題であり、ネットワークがトレーニングされた分布に属さないサンプルをフィルタリングすることを目的としている。 本論文の結論は単純である: 優れた階層的双曲埋め込みは、分布内および分布外サンプルの識別に好適である。 Balanced Hyperbolic Learningを導入します。 階層的歪みと浅い部分階層と広い部分階層間のバランスを協調的に最適化する双曲型クラス埋め込みアルゴリズムを概説する。 次に、クラス埋め込みを分布内データに基づく分類のための双曲型プロトタイプとして利用する。 双曲型プロトタイプを動作させるために,既存の分布外スコアリング関数を一般化する方法を概説する。 13のデータセットと13のスコアリング関数に対する実証的な評価は、我々の双曲的埋め込みが、同じバックボーンで同じデータでトレーニングされた場合、既存のアウト・オブ・ディストリビューションアプローチより優れていることを示している。 我々の双曲的埋め込みは、他の双曲的アプローチよりも優れ、最先端のコントラスト的手法に勝り、階層的分布の一般化をネイティブに可能にしていることも示している。

関連論文リスト

• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Hyperbolic Random Forests [15.992363138277442]
  我々は、よく知られたランダムな森林を双曲空間に一般化する。 ホロスフィアを用いて分割の概念を再定義することでこれを実現できる。 また、最小の共通祖先に基づくクラスと、大マルジン損失のクラスバランスバージョンを結合する新しい手法についても概説する。
  論文  参考訳（メタデータ） (2023-08-25T10:01:53Z)
• HMSN: Hyperbolic Self-Supervised Learning by Clustering with Ideal Prototypes [7.665392786787577]
  プロトタイプに基づくクラスタリング手法の自己教師付き表現学習には,双曲表現空間を用いる。 我々はMasked Siamese Networksを拡張し、双曲空間のPoincar'eボールモデルで操作する。 従来の手法とは異なり、エンコーダネットワークの出力における双曲空間に投影し、双曲投影ヘッドを利用して、下流タスクに使用される表現が双曲的であることを保証する。
  論文  参考訳（メタデータ） (2023-05-18T12:38:40Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
  計量学習のための新しい双曲型モデルを提案する。 本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-03-21T09:48:23Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• A Fully Hyperbolic Neural Model for Hierarchical Multi-Class Classification [7.8176853587105075]
  双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。 本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。 徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
  論文  参考訳（メタデータ） (2020-10-05T14:42:56Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。