UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs

要約

敵対的生成ネットワーク (GAN) に基づいて、画像分類におけるディープ ニューラル ネットワークの偶然性と認識論的不確実性の両方を定量化するアプローチを提示します。
GAN を使用して分布外 (OoD) の例を生成する文献のほとんどの作業は、OoD 検出の評価にのみ焦点を当てていますが、OoD の例と同様に、適切な不確実性を生成する分類子を学習する GAN ベースのアプローチを提示します。
誤検知 (FP)。
ディストリビューション内のデータ全体を GAN で生成された最先端の OoD の例でシールドする代わりに、条件付き GAN によって生成されたクラス外の例で各クラスを個別にシールドし、これを one-vs-
すべての画像分類子。
私たちの実験では、特に CIFAR10、CIFAR100、Tiny ImageNet で、最先端の GAN トレーニング ベースの分類器の OoD 検出と FP 検出のパフォーマンスを向上させました。
さらに、生成されたGANの例は、分類器のキャリブレーションエラーに大きな影響を与えず、モデルの精度が大幅に向上することもわかりました。

要約(オリジナル)

We present an approach to quantifying both aleatoric and epistemic uncertainty for deep neural networks in image classification, based on generative adversarial networks (GANs). While most works in the literature that use GANs to generate out-of-distribution (OoD) examples only focus on the evaluation of OoD detection, we present a GAN based approach to learn a classifier that produces proper uncertainties for OoD examples as well as for false positives (FPs). Instead of shielding the entire in-distribution data with GAN generated OoD examples which is state-of-the-art, we shield each class separately with out-of-class examples generated by a conditional GAN and complement this with a one-vs-all image classifier. In our experiments, in particular on CIFAR10, CIFAR100 and Tiny ImageNet, we improve over the OoD detection and FP detection performance of state-of-the-art GAN-training based classifiers. Furthermore, we also find that the generated GAN examples do not significantly affect the calibration error of our classifier and result in a significant gain in model accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google