Exploiting Diffusion Prior for Out-of-Distribution Detection

要約

配布外 (OOD) の検出は、特にセキュリティが重要な領域において、堅牢な機械学習モデルを展開するために重要です。
ただし、従来の OOD 検出方法では、大規模なデータから複雑なデータ分布を捕捉できないことがよくあります。
この論文では、拡散モデルの生成機能と CLIP の強力な特徴抽出機能を活用した、OOD 検出のための新しいアプローチを紹介します。
これらの特徴を拡散モデルへの条件付き入力として使用することで、CLIP でエンコードした後に画像を再構成できます。
元の画像と再構成された画像の差は、OOD 識別のための信号として使用されます。
私たちのメソッドの実用性とスケーラビリティは、他の多くのメソッドの場合と同様に、クラス固有のラベル付き ID データを必要としないという事実によって向上します。
いくつかのベンチマーク データセットに対する広範な実験により、検出精度が大幅に向上した私たちの方法の堅牢性と有効性が実証されました。

要約(オリジナル)

Out-of-distribution (OOD) detection is crucial for deploying robust machine learning models, especially in areas where security is critical. However, traditional OOD detection methods often fail to capture complex data distributions from large scale date. In this paper, we present a novel approach for OOD detection that leverages the generative ability of diffusion models and the powerful feature extraction capabilities of CLIP. By using these features as conditional inputs to a diffusion model, we can reconstruct the images after encoding them with CLIP. The difference between the original and reconstructed images is used as a signal for OOD identification. The practicality and scalability of our method is increased by the fact that it does not require class-specific labeled ID data, as is the case with many other methods. Extensive experiments on several benchmark datasets demonstrates the robustness and effectiveness of our method, which have significantly improved the detection accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google