Topological Structure Learning for Weakly-Supervised Out-of-Distribution Detection

要約

配布外 (OOD) の検出は、オープン ワールドでモデルを安全に展開するための鍵です。
OOD を検出するために、十分な分布内 (ID) ラベル付きデータを収集するには、通常、ラベルなしデータよりも時間とコストがかかります。
ID ラベル付きデータが限られている場合、以前の OOD 検出方法は、ID ラベル付きデータの量に大きく依存するため、もはや優れていません。
限られた ID ラベル付きデータと十分なラベルなしデータに基づいて、Weakly-Supervised Out-of-Distribution Detection (WSOOD) と呼ばれる新しい設定を定義します。
新しい問題を解決するために、Topological Structure Learning (TSL) と呼ばれる効果的な方法を提案します。
まず、TSL は対照的な学習方法を使用して、ID および OOD データの初期トポロジ構造空間を構築します。
第二に、TSL は初期トポロジー空間で効果的なトポロジー接続をマイニングします。
最後に、限られた ID ラベル付きデータとマイニングされたトポロジー接続に基づいて、TSL は新しいトポロジー空間でトポロジー構造を再構築し、ID と OOD インスタンスの分離可能性を高めます。
いくつかの代表的なデータセットに関する広範な研究は、TSL が最先端技術よりも著しく優れていることを示しており、WSOOD の新しい設定での方法の有効性と堅牢性を検証しています。

要約(オリジナル)

Out-of-distribution (OOD) detection is the key to deploying models safely in the open world. For OOD detection, collecting sufficient in-distribution (ID) labeled data is usually more time-consuming and costly than unlabeled data. When ID labeled data is limited, the previous OOD detection methods are no longer superior due to their high dependence on the amount of ID labeled data. Based on limited ID labeled data and sufficient unlabeled data, we define a new setting called Weakly-Supervised Out-of-Distribution Detection (WSOOD). To solve the new problem, we propose an effective method called Topological Structure Learning (TSL). Firstly, TSL uses a contrastive learning method to build the initial topological structure space for ID and OOD data. Secondly, TSL mines effective topological connections in the initial topological space. Finally, based on limited ID labeled data and mined topological connections, TSL reconstructs the topological structure in a new topological space to increase the separability of ID and OOD instances. Extensive studies on several representative datasets show that TSL remarkably outperforms the state-of-the-art, verifying the validity and robustness of our method in the new setting of WSOOD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google