Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection

要約

ディープラーニングモデルは、分散除外（OOD）画像に遭遇すると、パフォーマンスの劣化に対して脆弱であり、潜在的に誤診や患者ケアの侵害につながる可能性があります。
これらの欠点は、OOD検出の分野に大きな関心をもたらしました。
既存の監視されていないOOD（U-OOD）検出方法は、通常、OODサンプルがトレーニング分布を補完する非集中的な分布に由来することを想定しており、展開されたモデルが時間の経過とともに受動的にタスク固有のOODサンプルを受動的に蓄積する現実を無視します。
この現実世界のシナリオをよりよく反映するために、U-Oood検出のための斬新でより現実的な設定である反復展開露出（IDE）を紹介します。
CSOを提案します。CSOは、OOD分布に不可知論され、観測された非標識データを使用して展開中にゆっくりと改良するU-Oood検出器から始まるIDEの方法を提案します。
CSOは、マハラノビスの距離を最近傍のアプローチと組み合わせた新しいU-OUDスコアリング機能と、新しい自信に基づいた少数のOOD検出器とともに、限られたOODの例から効果的に学習します。
専用のベンチマークでアプローチを検証し、3つの医療イメージングモダリティの強力なベースラインでこの方法が大幅に改善されることを示しています。

要約(オリジナル)

Deep learning models are vulnerable to performance degradation when encountering out-of-distribution (OOD) images, potentially leading to misdiagnoses and compromised patient care. These shortcomings have led to great interest in the field of OOD detection. Existing unsupervised OOD (U-OOD) detection methods typically assume that OOD samples originate from an unconcentrated distribution complementary to the training distribution, neglecting the reality that deployed models passively accumulate task-specific OOD samples over time. To better reflect this real-world scenario, we introduce Iterative Deployment Exposure (IDE), a novel and more realistic setting for U-OOD detection. We propose CSO, a method for IDE that starts from a U-OOD detector that is agnostic to the OOD distribution and slowly refines it during deployment using observed unlabeled data. CSO uses a new U-OOD scoring function that combines the Mahalanobis distance with a nearest-neighbor approach, along with a novel confidence-scaled few-shot OOD detector to effectively learn from limited OOD examples. We validate our approach on a dedicated benchmark, showing that our method greatly improves upon strong baselines on three medical imaging modalities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google