Core Concepts
OOD検出における偽陽性率を所望の水準以下に維持しつつ、人間フィードバックの最小化を実現する適応的な閾値更新フレームワークを提案する。
Abstract
本研究では、OOD検出における偽陽性率を所望の水準以下に維持しつつ、人間フィードバックの最小化を実現する適応的な閾値更新フレームワークを提案している。
具体的には以下の3点を実現している:
人間フィードバックを活用したOOD検出フレームワークを提案
OOD検出スコアに基づいて閾値を適応的に更新し、偽陽性率を所望の水準以下に維持する
人間フィードバックは閾値以下の点にのみ求め、閾値以上の点は自動的に判定
理論的保証の提供
定常環境下において、提案手法は常に偽陽性率を所望の水準以下に維持できることを示した
最適性に達するまでの時間に関する上界も導出した
ベンチマークデータセットでの検証
合成データおよび画像分類タスクのベンチマークデータセットを用いて提案手法の有効性を確認
様々なOOD検出スコアと組み合わせて高い偽陽性率抑制性能を示した
分布変化環境下でも適応的に対応できることを示した
以上のように、本研究は人間フィードバックを活用しつつ、理論的保証の下で偽陽性率を適切に制御できる新しいOOD検出フレームワークを提案している。
Stats
OOD検出における偽陽性率は60%から96%にも及ぶ可能性がある
医療診断などの安全重視の応用では、偽陽性の影響が深刻であり、偽陽性率を5%以下に抑える必要がある
Quotes
"Robustness to out-of-distribution (OOD) samples is crucial for safely deploying machine learning models in the open world."
"In safety-critical real-life applications, e.g., medical diagnosis, controlling the FPR is essential when dealing with various OOD samples dynamically."