抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】