Continual Novelty Detection

要約

Novelty Detectionは、モデルのトレーニングセットを代表するものではないサンプルを特定し、それによって誤解を招く予測にフラグを立て、導入時に高い柔軟性と透明性をもたらします。しかし、この分野の研究では、オフライン環境でのノベルティ検出についてのみ検討されてきました。近年、コンピュータビジョンの分野では、新しいドメイン、新しいクラス、または新しいタスクを表すデータの新しいバッチが異なる時点で利用可能になるような、より柔軟なフレームワーク（継続的学習）がアプリケーションに求められていることが認識されつつあります。このような環境では、新規性検出がより重要で、興味深く、挑戦的になる。この研究では、この2つの問題の間の重要なリンクを特定し、継続的な学習設定の下での新規性検出問題を調査する。我々は、継続的な新規性検出問題を定式化し、ベンチマークを提示し、異なる継続的学習設定の下でいくつかの新規性検出方法を比較する。 我々は、継続学習が新規性検出アルゴリズムの挙動に影響を与えること、一方、新規性検出が継続学習者の挙動における洞察をピンポイントで示すことができることを示す。さらに、ベースラインを提案し、可能な研究の方向性について議論する。我々は、この2つの問題の結合が、ビジョンモデルを実用化するための有望な方向性であると考える。

要約(オリジナル)

Novelty Detection methods identify samples that are not representative of a model’s training set thereby flagging misleading predictions and bringing a greater flexibility and transparency at deployment time. However, research in this area has only considered Novelty Detection in the offline setting. Recently, there has been a growing realization in the computer vision community that applications demand a more flexible framework – Continual Learning – where new batches of data representing new domains, new classes or new tasks become available at different points in time. In this setting, Novelty Detection becomes more important, interesting and challenging. This work identifies the crucial link between the two problems and investigates the Novelty Detection problem under the Continual Learning setting. We formulate the Continual Novelty Detection problem and present a benchmark, where we compare several Novelty Detection methods under different Continual Learning settings. We show that Continual Learning affects the behaviour of novelty detection algorithms, while novelty detection can pinpoint insights in the behaviour of a continual learner. We further propose baselines and discuss possible research directions. We believe that the coupling of the two problems is a promising direction to bring vision models into practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL