About Test-time training for outlier detection

要約

本論文では、外れ値検出にテスト時間学習を適用し、検出性能を大幅に向上させる我々の手法DOUSTを紹介する。一般的なベンチマークデータセットで我々のアルゴリズムを徹底的に評価した後、一般的な問題について議論し、それが十分な大きさのテストセットで消失することを示す。従って、妥当な条件下では、ラベル付き外れ値が与えられない場合でも、我々のアルゴリズムはほぼ教師ありの性能に到達できると結論付ける。

要約(オリジナル)

In this paper, we introduce DOUST, our method applying test-time training for outlier detection, significantly improving the detection performance. After thoroughly evaluating our algorithm on common benchmark datasets, we discuss a common problem and show that it disappears with a large enough test set. Thus, we conclude that under reasonable conditions, our algorithm can reach almost supervised performance even when no labeled outliers are given.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL