Managing the unknown: a survey on Open Set Recognition and tangential areas

要約

現実世界のシナリオでは、分類モデルは、トレーニング段階で現れなかったクラスに属するサンプルを予測する際に、堅牢に実行する必要があることがよくあります。
オープン セット認識は、既知のクラスに属するサンプルの分類において良好なレベルのパフォーマンスを維持しながら、テスト段階で到着したサンプルから未知のクラスを検出できるモデルを考案することで、この問題に対処します。
このレビューでは、オープンセット認識に関連する最近の文献を包括的に概観し、一般的な実践方法、制限事項、およびこの分野と継続学習、分布外検出、新規性検出、不確実性推定などの他の機械学習研究領域との関連性を特定します。
私たちの研究はまた、未解決の問題を明らかにし、より安全な人工知能手法に向けた将来の取り組みを動機付け、明確にする可能性のあるいくつかの研究の方向性を示唆しています。

要約(オリジナル)

In real-world scenarios classification models are often required to perform robustly when predicting samples belonging to classes that have not appeared during its training stage. Open Set Recognition addresses this issue by devising models capable of detecting unknown classes from samples arriving during the testing phase, while maintaining a good level of performance in the classification of samples belonging to known classes. This review comprehensively overviews the recent literature related to Open Set Recognition, identifying common practices, limitations, and connections of this field with other machine learning research areas, such as continual learning, out-of-distribution detection, novelty detection, and uncertainty estimation. Our work also uncovers open problems and suggests several research directions that may motivate and articulate future efforts towards more safe Artificial Intelligence methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google