On the detection of Out-Of-Distribution samples in Multiple Instance Learning

要約

現実世界のシナリオでの機械学習ソリューションの展開には、多くの場合、配布外 (OOD) 検出の課題への対処が含まれます。
従来の教師あり設定における OOD 検出には多大な努力が払われてきましたが、弱教師あり学習、特にマルチインスタンス学習 (MIL) フレームワークのコンテキストはまだ十分に調査されていません。
この研究では、ポストホック OOD 検出方法を MIL 設定に適応させながら、弱く監視されたシナリオで OOD 検出パフォーマンスを評価するために特別に設計された新しいベンチマークを導入することで、この課題に取り組みます。
多様な公開データセットに基づく広範な実験では、他の方法よりも明らかな利点を持つ単一の方法は明らかになりません。
DICE は全体として最もパフォーマンスの高い手法として浮上していますが、一部のデータセットでは重大な欠点があり、この研究が不十分で挑戦的なトピックの複雑さが強調されています。
私たちの調査結果は、MILフレームワークの下でのOOD検出の複雑な性質に光を当て、弱く監視されたコンテキストで効果的に一般化できる、新しく堅牢で信頼性の高い方法を開発することの重要性を強調しています。
この論文のコードは、https://github.com/loic-lb/OOD_MIL から入手できます。

要約(オリジナル)

The deployment of machine learning solutions in real-world scenarios often involves addressing the challenge of out-of-distribution (OOD) detection. While significant efforts have been devoted to OOD detection in classical supervised settings, the context of weakly supervised learning, particularly the Multiple Instance Learning (MIL) framework, remains under-explored. In this study, we tackle this challenge by adapting post-hoc OOD detection methods to the MIL setting while introducing a novel benchmark specifically designed to assess OOD detection performance in weakly supervised scenarios. Extensive experiments based on diverse public datasets do not reveal a single method with a clear advantage over the others. Although DICE emerges as the best-performing method overall, it exhibits significant shortcomings on some datasets, emphasizing the complexity of this under-explored and challenging topic. Our findings shed light on the complex nature of OOD detection under the MIL framework, emphasizing the importance of developing novel, robust, and reliable methods that can generalize effectively in a weakly supervised context. The code for the paper is available here: https://github.com/loic-lb/OOD_MIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google