Multi-label out-of-distribution detection via evidential learning

要約

機械学習アルゴリズムの重要な要件は、パフォーマンスがうまく機能するだけでなく、新しいシナリオに遭遇したときに堅牢性と適応性を示すことです。
これらの特性を達成する1つの方法は、ディープラーニングモデルに、分散型（OOD）データ、つまりトレーニング中に使用される分布とは異なる分布に属するデータを検出する機能を備えていることです。
これらのデータが通常マルチラベルである場合、これはさらに複雑な状況です。
この論文では、視覚認識の問題に適用されるこれらの課題を満たすために、証拠の深い学習に基づいたアプローチを提案します。
より具体的には、ベータ証拠ニューラルネットワークを使用して、サンプルの尤度と予測的な不確実性の両方を計算するCNNアーキテクチャを設計しました。
これらの結果に基づいて、その後、OODデータ検出のための2つの新しい不確実性ベースのスコアを提案します。
（ii）oodスコア – すべての出力からの証拠を考慮します。
広く使用されている3つのデータセットを使用して提案されたアプローチを検証するために広範な実験が実施されており、Pascal-Voc、MS-Coco、Nus-Wideを使用して、いくつかの最先端の方法よりもそのアウトパフォーマンスを示しています。

要約(オリジナル)

A crucial requirement for machine learning algorithms is not only to perform well, but also to show robustness and adaptability when encountering novel scenarios. One way to achieve these characteristics is to endow the deep learning models with the ability to detect out-of-distribution (OOD) data, i.e. data that belong to distributions different from the one used during their training. It is even a more complicated situation, when these data usually are multi-label. In this paper, we propose an approach based on evidential deep learning in order to meet these challenges applied to visual recognition problems. More concretely, we designed a CNN architecture that uses a Beta Evidential Neural Network to compute both the likelihood and the predictive uncertainty of the samples. Based on these results, we propose afterwards two new uncertainty-based scores for OOD data detection: (i) OOD – score Max, based on the maximum evidence; and (ii) OOD score – Sum, which considers the evidence from all outputs. Extensive experiments have been carried out to validate the proposed approach using three widely-used datasets: PASCAL-VOC, MS-COCO and NUS-WIDE, demonstrating its outperformance over several State-of-the-Art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google