Der Artikel befasst sich mit dem Problem der Out-of-Distribution-Erkennung (OOD) in Deep-Learning-Modellen. OOD-Erkennung ist wichtig, um die sichere Bereitstellung von Deep-Learning-Modellen in Anwendungen wie medizinischer Bildgebung und autonomen Fahrzeugen zu gewährleisten.
Die Autoren argumentieren, dass die inhärente hierarchische Struktur visueller Daten, die für die OOD-Erkennung wichtig ist, von herkömmlichen Methoden auf Basis der euklidischen Geometrie oft nicht gut erfasst wird. Daher schlagen sie einen Rahmen vor, der die Stärken der Hyperbolic-Geometrie für die OOD-Erkennung nutzt.
Der Ansatz umfasst zwei Hauptkomponenten:
Kompakte Darstellung von In-Distribution-Einbettungen: Die Autoren optimieren die Einbettungen im Hyperbolic-Raum, um eine geringe Varianz innerhalb der Klassen und eine hohe Trennung zwischen den Klassen zu erreichen. Dies führt zu einer effektiven Trennung zwischen In-Distribution- und Out-of-Distribution-Daten.
Regularisierung mit synthetischen Hyperbolic-Ausreißern: Die Autoren schlagen einen neuartigen Ansatz zum Generieren von Ausreißern im Hyperbolic-Raum vor, um die Entscheidungsgrenzen weiter zu verfeinern. Im Gegensatz zu früheren Arbeiten, die Ausreißer im euklidischen Raum generierten, zeigt sich, dass diese Technik im Hyperbolic-Raum keine zusätzlichen Vorteile bringt.
Die umfangreichen Experimente zeigen, dass der vorgeschlagene Ansatz die Leistung der OOD-Erkennung im Vergleich zu euklidischen Methoden deutlich verbessert. Darüber hinaus bietet der Hyperbolic-Raum Vorteile für den Einsatz in ressourcenbeschränkten Umgebungen, da er eine effizientere Nutzung des Darstellungsraums ermöglicht.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Alva... lúc arxiv.org 03-25-2024
https://arxiv.org/pdf/2403.15260.pdfYêu cầu sâu hơn