RODD:ロバストなアウトオブ分布検出のための自己教師付きアプローチ【JST・京大機械翻訳】

Khalid Umar; Esmaeili Ashkan; Karim Nazmul; Rahnavard Nazanin

プレプリント

J-GLOBAL ID：202202219563215891 整理番号：22P0326975

RODD:ロバストなアウトオブ分布検出のための自己教師付きアプローチ【JST・京大機械翻訳】

RODD: A Self-Supervised Approach for Robust Out-of-Distribution Detection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月05日プレプリントサーバーでの情報更新日： 2022年10月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近の研究では,深層学習(DL)モデルの安全展開における主要課題として,アウトオブ分布(OOD)サンプルを検出し,拒絶する懸念に取り組んだ。DLモデルは,OOD検出の駆動原理を補強する分布内(ID)データについてのみ確信するべきである。本論文では,分布外データセットに依存しない簡単で効果的な一般化OOD検出法を提案した。この手法は,埋込みがコンパクトな低次元空間上にある訓練サンプルの自己教師付き特徴学習に依存する。自己監督された敵対的対比学習を示す最近の研究によって動機づけられたのは,このモデルをロバスト化するために,自己監督された対比学習による事前訓練モデルは,潜在空間における単一次元特徴学習のためのより良いモデルをもたらすことを経験的に示す。本研究で提案する方法は,OOD検出タスクに関するベンチマークデータセットの広範囲なセットに関して,SOTA検出性能より優れている。CIFAR-100ベンチマークでは,RODDはSOTA法に比べて26.97%低い偽陽性率(FPR@95)を達成した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る