Continual Evidential Deep Learning for Out-of-Distribution Detection

要約

不確実性ベースのディープラーニング モデルは、正確で信頼性の高い予測を提供できるため、大きな関心を集めています。
証拠深層学習は、単一の決定論的ニューラル ネットワークを使用して分布外 (OOD) データを検出する際に顕著なパフォーマンスを達成する際に際立っています。
この事実に動機づけられて、この論文では、増分オブジェクト分類と OOD 検出を同時に実行するために、証拠深層学習手法を継続学習フレームワークに統合することを提案します。
さらに、古いクラスに属する配信データと OOD データを区別するための空虚性と不協和音の能力を分析します。
CEDL と呼ばれる提案手法は、それぞれ 5 タスクと 10 タスクからなる 2 つの設定を考慮して CIFAR-100 で評価されます。
得られた結果から、提案された方法は、ベースラインに関して物体分類において同等の結果を提供することに加えて、AUROC、AUPR、および FPR95 の 3 つの評価指標において、いくつかのポストホック方法と比較して OOD 検出を大幅に上回っていることが理解できました。

要約(オリジナル)

Uncertainty-based deep learning models have attracted a great deal of interest for their ability to provide accurate and reliable predictions. Evidential deep learning stands out achieving remarkable performance in detecting out-of-distribution (OOD) data with a single deterministic neural network. Motivated by this fact, in this paper we propose the integration of an evidential deep learning method into a continual learning framework in order to perform simultaneously incremental object classification and OOD detection. Moreover, we analyze the ability of vacuity and dissonance to differentiate between in-distribution data belonging to old classes and OOD data. The proposed method, called CEDL, is evaluated on CIFAR-100 considering two settings consisting of 5 and 10 tasks, respectively. From the obtained results, we could appreciate that the proposed method, in addition to provide comparable results in object classification with respect to the baseline, largely outperforms OOD detection compared to several posthoc methods on three evaluation metrics: AUROC, AUPR and FPR95.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google