Core Concepts
深度度量学習と拡散モデルを用いた合成アウトライアデータ生成により、アウトオブディストリビューション検出の性能を向上させる。
Abstract
本論文は、深度度量学習と拡散モデルを用いた合成アウトライアデータ生成によるアウトオブディストリビューション(OOD)検出手法を提案している。
主な内容は以下の通り:
拡散モデルを用いて、クラスラベルの線形補間により合成OODデータを生成する。これにより、クラス間の中間的な特徴を持つデータを生成できる。
深度度量学習のロス関数(SphereFace、CosFace、ArcFace、AdaCos)を用いて、OOD検出器を学習する。これらの関数は、クラス間の距離を最大化し、クラス内の距離を最小化する。
提案手法は、従来のソフトマックスロスや他のベースラインと比較して、OOD検出の指標(AUROC、AUPR)で優れた性能を示す。
合成OODデータを用いた学習により、ベースラインモデルの性能も大幅に向上する。
提案手法は、クローズドセット分類精度への影響も小さい。
以上のように、深度度量学習と合成OODデータ生成を組み合わせることで、OOD検出の性能を向上できることが示された。
Stats
合成OODデータを生成する際、クラスラベルの線形補間を行うことで、クラス間の中間的な特徴を持つデータを生成できる。
深度度量学習のロス関数を用いることで、クラス間の距離を最大化し、クラス内の距離を最小化できる。
Quotes
"深度度量学習と拡散モデルを用いた合成アウトライアデータ生成により、アウトオブディストリビューション検出の性能を向上させる。"
"提案手法は、従来のソフトマックスロスや他のベースラインと比較して、OOD検出の指標(AUROC、AUPR)で優れた性能を示す。"