RODEO: Robust Outlier Detection via Exposing Adaptive Out-of-Distribution Samples

要約

近年、さまざまな形態の画像の外れ値検出が大幅に改善されています。
ただし、敵対的な設定の下での外れ値の検出性能は、標準設定のそれよりはるかに遅れています。
これは、特に目に見えない外れ値で、トレーニング中の敵対的なシナリオへの効果的な暴露がないためであり、検出モデルが堅牢な機能を学習できないことにつながります。
このギャップを埋めるために、堅牢な外れ値検出のための効果的な外れ値を生成するデータ中心のアプローチであるRodeoを紹介します。
より具体的には、暴露されたトレーニング外れ値が多様性を含む特定の特性を満たし、概念的な差別化とインライアサンプルの類推の両方を満たしている限り、ーン代曝露（OE）と敵対的なトレーニングを組み込むことがこの目的のための効果的な戦略であることを示しています。
この目標を達成するために、テキストから画像へのモデルを活用します。
適応型OEメソッドが「多様な」および「ほぼ分布」の外れ値を効果的に生成し、テキストドメインと画像ドメインの両方から情報を活用することを定量的および定性的に実証します。
さらに、実験結果は、合成された外れ値を使用すると、特に敵対的な設定で、外れ値検出器の性能が大幅に向上することを示しています。

要約(オリジナル)

In recent years, there have been significant improvements in various forms of image outlier detection. However, outlier detection performance under adversarial settings lags far behind that in standard settings. This is due to the lack of effective exposure to adversarial scenarios during training, especially on unseen outliers, leading to detection models failing to learn robust features. To bridge this gap, we introduce RODEO, a data-centric approach that generates effective outliers for robust outlier detection. More specifically, we show that incorporating outlier exposure (OE) and adversarial training can be an effective strategy for this purpose, as long as the exposed training outliers meet certain characteristics, including diversity, and both conceptual differentiability and analogy to the inlier samples. We leverage a text-to-image model to achieve this goal. We demonstrate both quantitatively and qualitatively that our adaptive OE method effectively generates “diverse” and “near-distribution” outliers, leveraging information from both text and image domains. Moreover, our experimental results show that utilizing our synthesized outliers significantly enhances the performance of the outlier detector, particularly in adversarial settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google