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

要約

画像分類におけるディープニューラルネットワークに対して、Generative adversarial networks (GANs)に基づく、アレオテリックな不確実性とエピステミックな不確実性の両方を定量化するアプローチを提示する。GANを用いて分布外（OoD）例を生成する文献の多くは、OoD検出の評価のみに焦点を当てているが、我々は、OoD例に対しても偽陽性（FP）に対しても適切な不確実性を生成する分類器を学習するGANベースのアプローチを発表する。GANによって生成されたOoD例で配信データ全体を遮蔽するのではなく、条件付きGANによって生成されたクラス外例で各クラスを個別に遮蔽し、これを1対全画像分類器で補完する。CIFAR10、CIFAR100、Tiny ImageNetを用いた実験では、最先端のGAN学習型分類器のOoD検出性能とFP検出性能を向上させることができた。さらに、生成されたGANの例は、我々の分類器の校正誤差に大きな影響を与えず、モデルの精度を大きく向上させることも見出した。

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, DeepL