Core Concepts
ネットワークの不確実性を定量化し、有用な予測を抽出するための量子化されたネットワークに焦点を当てる。
Abstract
最近の進歩により、OOD検出は重要性が増しており、深層学習モデルでの不確実性推定が重要となっています。提案されたUncertainty Quantification(UQ)技術は、事前にトレーニングされたビジョンモデルからの予測の不確実性を定量化し、信頼できる予測を抽出することに利用されます。この手法により、80%以上の無視されたサンプルが誤分類されることが防がれます。これにより、OOD検出プロセスが向上し、リソース制約環境で特に有益です。
過去の研究では、異常検出や不確実性推定に関するいくつかのアプローチが提案されています。例えば、Liuらはエネルギースコアを使用した統一フレームワークを提案しました。また、Yangらは訓練段階で追加の補助的な異種データセットを導入する方法に取り組んでいます。
提案されたUQ技術はCIFAR-100およびCIFAR-100Cデータセットで評価されました。これらの実験ではF1スコアや無視されたサンプル数が改善されることが示唆されています。さらに、画像分析も行われ、UQ技術が混乱したサンプルを無視する際に有効であることが示唆されています。
また、推論時間比較も行われました。UQ技術は推論時間を増加させる傾向があります。
Stats
我々の手法は無視したサンプル数を80%以上削減します。
CIFAR-100データセットは60000枚の32x32カラー画像から成り立っており、「fine labels」ごとに500枚のトレーニング画像と100枚のテスト画像が含まれています。
モデルサイズは4倍程度削減されます。
推論時間:ResNet50では7.09秒±1.66秒かかります。
Quotes
"Identifying which parts of the data a given network is misclassifying has become as valuable as the network’s overall performance."
"We observe that our technique saves up to 80% of ignored samples from being misclassified."
"Our contributions are as follows: We first introduce Monte-Carlo dropouts into a pre-trained, model fine-tuned on the last few layers followed by post-training integer quantization."