Diversifying Deep Ensembles: A Saliency Map Approach for Enhanced OOD Detection, Calibration, and Accuracy

要約

ディープ アンサンブルは、分類と分布外 (OOD) 検出において最先端の結果を達成しました。
ただし、アンサンブル内で学習されたパターンが均一であるため、その有効性は限られたままです。
この課題を克服するために、私たちの研究では、顕著性マップを活用することでアンサンブル メンバー間の多様性を促進する新しいアプローチを導入しています。
顕著性マップの多様化を組み込むことにより、私たちの方法は、複数の分類および OOD 検出タスクにおいて従来のアンサンブル手法を上回る性能を発揮すると同時に、キャリブレーションも向上します。
確立された OpenOOD ベンチマークでの実験により、実際のアプリケーションにおける私たちの手法の可能性が浮き彫りになります。

要約(オリジナル)

Deep ensembles achieved state-of-the-art results in classification and out-of-distribution (OOD) detection; however, their effectiveness remains limited due to the homogeneity of learned patterns within the ensemble. To overcome this challenge, our study introduces a novel approach that promotes diversity among ensemble members by leveraging saliency maps. By incorporating saliency map diversification, our method outperforms conventional ensemble techniques in multiple classification and OOD detection tasks, while also improving calibration. Experiments on well-established OpenOOD benchmarks highlight the potential of our method in practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google