Core Concepts
モデルアンサンブルの多様性を強化し、外部分布検出のパフォーマンスを向上させる方法を提案する。
Abstract
モデルアンサンブルにおける特徴表現の多様性が重要であることが示唆されている。
多くの研究が外部分布の検出に焦点を当てている。
MC Ensembleは他のアプローチよりも優れたパフォーマンスを示している。
CIFAR10およびImageNet Benchmarkで実験的評価が行われた。
Introduction
最新のニューラルネットワークモデルは予測に過度な自信を示すことがあり、開かれた世界では外部分布からのサンプルが誤った予測をもたらす可能性がある。
How Feature Ensembles Boost OOD Detection?
特徴アンサンブルは、IDとOODの特徴表現を区別する能力に基づいています。良好なOOD検出ブースターは、IDとOOD活性化をより区別可能にする必要があります。
Diversity Matters in Ensemble
個々のモデル間で異なる初期化やデータセットパーティショニングは、十分な特徴表現多様性を提供しないことが示されています。
Improving Diversity with Multi-Comprehension Ensemble
MC Ensembleは、異なるトレーニングタスクに基づく複数理解を利用して特徴表現多様性を向上させます。
Experiment
CIFAR10およびImageNet BenchmarkでMC Ensembleは優れたパフォーマンスを達成しました。他のアプローチや単一モデルと比較しても優れた結果が得られました。
Stats
最新研究では、1つの重要な因子は「外部分布」特徴表現フィールドの規模です。
MC Ensembleは他のアプローチよりも優れたパフォーマンスを示しています。
Quotes
"MC Ensemble leverages various training tasks to form different comprehensions of the data and labels, resulting in the extension of the feature representation field."
"We propose a feature-level ensemble scheme that exploits the diversity of models based on distinct comprehension, resulting in a model powerful in OOD detection."