論文の概要: Enclosing Prototypical Variational Autoencoder for Explainable Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2506.14390v1
- Date: Tue, 17 Jun 2025 10:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.431591
- Title: Enclosing Prototypical Variational Autoencoder for Explainable Out-of-Distribution Detection
- Title（参考訳）: 説明可能なアウト・オブ・ディストリビューション検出のためのプロトタイプ変分オートエンコーダの包み込み
- Authors: Conrad Orglmeister, Erik Bochinski, Volker Eiselein, Elvira Fleig,
- Abstract要約: オートエンコーダを用いたアウト・オブ・ディストリビューション(OOD)検出により,自己説明可能なプロトタイプ変分モデルを拡張した。
変分オートエンコーダを用いて、距離に基づく分類に使用できる有意義な潜在空間を学習する。
単一点に折り畳むことなく、潜伏空間内のコンパクトなID領域を促進する新しい制限損失が導入された。
- 参考スコア（独自算出の注目度）: 0.013888374577155822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the decision-making and trusting the reliability of Deep Machine Learning Models is crucial for adopting such methods to safety-relevant applications. We extend self-explainable Prototypical Variational models with autoencoder-based out-of-distribution (OOD) detection: A Variational Autoencoder is applied to learn a meaningful latent space which can be used for distance-based classification, likelihood estimation for OOD detection, and reconstruction. The In-Distribution (ID) region is defined by a Gaussian mixture distribution with learned prototypes representing the center of each mode. Furthermore, a novel restriction loss is introduced that promotes a compact ID region in the latent space without collapsing it into single points. The reconstructive capabilities of the Autoencoder ensure the explainability of the prototypes and the ID region of the classifier, further aiding the discrimination of OOD samples. Extensive evaluations on common OOD detection benchmarks as well as a large-scale dataset from a real-world railway application demonstrate the usefulness of the approach, outperforming previous methods.
- Abstract（参考訳）: 深層機械学習モデルの意思決定と信頼性の信頼性を理解することは、そのような手法を安全関連アプリケーションに適用するために不可欠である。
自動エンコーダに基づくアウト・オブ・ディストリビューション(OOD: Out-of-distribution)検出により,自己説明可能な原型変分モデルを拡張した: 変分オートエンコーダを適用して,距離に基づく分類,OOD検出の推定,再構成に使用できる有意義な潜時空間を学習する。
In-Distribution (ID)領域は、各モードの中心を表す学習プロトタイプとガウス混合分布によって定義される。
さらに、単一の点に折り畳むことなく、潜伏空間内のコンパクトなID領域を促進する新しい制限損失を導入する。
Autoencoderの再構成機能は、プロトタイプと分類器のID領域の説明可能性を確保し、さらにOODサンプルの識別を支援する。
一般的なOOD検出ベンチマークと実世界の鉄道アプリケーションからの大規模データセットの大規模な評価は、アプローチの有用性を示し、従来の手法よりも優れていた。
関連論文リスト
- Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。
現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。
拡散に基づく階層的意味再構成手法を提案する。
論文 参考訳（メタデータ） (2024-11-16T04:54:07Z) - What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - Exploiting Diffusion Prior for Out-of-Distribution Detection [11.11093497717038]
堅牢な機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。
拡散モデルの生成能力とCLIPの強力な特徴抽出能力を活用する新しいOOD検出手法を提案する。
論文 参考訳（メタデータ） (2024-06-16T23:55:25Z) - GROOD: Gradient-Aware Out-of-Distribution Detection [11.862922321532817]
現実世界のアプリケーションにおけるディープラーニングモデルの信頼性を確保するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
In-distriion (ID) トレーニングデータから直接 OOD プロトタイプを抽出し,クラスプロトタイプを演算する GRADient-Aware Out-Of-Distribution Detection (GROOD) を提案する。
人工OODプロトタイプに関する最寄りのクラス-プロトタイプ損失関数の勾配を解析することにより,本手法は分布内とOOD試料の明確な分離を実現する。
論文 参考訳（メタデータ） (2023-12-22T04:28:43Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features [23.266183020469065]
本稿では,IDトレーニングサンプルから前景と背景の特徴を密接な予測手法によって切り離す新しいフレームワークを提案する。
これは、様々な既存のOOD検出メソッドとシームレスに組み合わせられる汎用フレームワークである。
論文 参考訳（メタデータ） (2023-03-15T16:12:14Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-11-21T08:45:08Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。