Hyperbolic Metric Learning for Visual Outlier Detection

要約

安全性が重要なアプリケーションに深層学習モデルを導入するには、配布外 (OOD) の検出が重要です。
しかし、OOD 検出に役立つ視覚データの固有の階層概念構造は、ユークリッド幾何学に基づく従来の方法ではうまく捉えられないことがよくあります。
この研究では、OOD 検出に双曲幾何学の強みを活用するメトリック フレームワークを提案しています。
合成外れ値を使用して OOD データの決定境界を改良する以前の研究からインスピレーションを得て、この手法を双曲空間に拡張しました。
興味深いことに、合成外れ値は、ユークリッド空間の場合とは異なり、双曲空間での OOD 検出に有益ではないことがわかりました。
さらに、OOD 検出パフォーマンスと双曲線埋め込み次元の関係を調査し、リソースに制約のある環境における実際的な懸念に対処します。
広範な実験により、私たちのフレームワークはユークリッド法と比較して、OOD 検出の FPR95 が CIFAR-10 と CIFAR-100 でそれぞれ 22\% から 15\%、49% から 28% 向上することが示されています。

要約(オリジナル)

Out-Of-Distribution (OOD) detection is critical to deploy deep learning models in safety-critical applications. However, the inherent hierarchical concept structure of visual data, which is instrumental to OOD detection, is often poorly captured by conventional methods based on Euclidean geometry. This work proposes a metric framework that leverages the strengths of Hyperbolic geometry for OOD detection. Inspired by previous works that refine the decision boundary for OOD data with synthetic outliers, we extend this method to Hyperbolic space. Interestingly, we find that synthetic outliers do not benefit OOD detection in Hyperbolic space as they do in Euclidean space. Furthermore we explore the relationship between OOD detection performance and Hyperbolic embedding dimension, addressing practical concerns in resource-constrained environments. Extensive experiments show that our framework improves the FPR95 for OOD detection from 22\% to 15\% and from 49% to 28% on CIFAR-10 and CIFAR-100 respectively compared to Euclidean methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google