Concepts de base
提案されたMLODフレームワークは、多層特徴を活用して外部分布検出を改善します。
Résumé
機械学習における外部分布(OOD)検出の重要性と課題が紹介される。
MLODフレームワークが提案され、異なる事前訓練済みモデルに適用可能であることが示される。
MLOD-FisherとMLOD-Cauthyが一貫して優れたパフォーマンスを発揮し、FPR95およびAUCで改善を実現する。
MLODは複数層の特徴情報を活用し、単一層特徴に比べてパフォーマンスを向上させることが示される。
INTRODUCTION
記事では、機械学習における外部分布(OOD)検出の重要性とその課題について述べられています。提案されたMLODフレームワークは、多層特徴を活用して外部分布検出を改善することが目的です。
METHODOLOGY
多くの先行研究は主に事前訓練済み深層ニューラルネットワークの出力層または最終手前の層に焦点を当ててきました。
MLODは異なる事前訓練済みモデルでも適用可能であり、さまざまな手法のパフォーマンス評価からその効果が示されます。
RESULTS AND DISCUSSION
MLOD-FisherとMLOD-Cauthyが一貫して優れたパフォーマンスを発揮し、FPR95およびAUCで改善を実現します。
MLODは複数層の特徴情報を活用し、単一層特徴に比べてパフォーマンスを向上させます。
Stats
CIFAR10でKNNトレーニング時、MLOD-FisherはFPR率24.09%から7.47%に低下