- …
- …
#368
summarized by : Ryo Nakamura
どんな論文か？
一般的なニューラル分類器は，訓練データとテストデータが同じ分布から i.i.d. で抽出されるという閉じた世界の仮定に基づいており，その結果OOD 入力に直面しても過信した予測を与えてしまう．この問題に対処するため従来の研究では実際の外れ値を用いて学習を行うか，強い仮定の下で合成OODデータを生成している．
この論文ではOOD特徴の分布を適応的に学習する，境界認識学習(BAL)を提案．
新規性
分類性能を維持しつつニューラルネットワークの再判定能力を向上させるために境界を意識した学習フレームワークを提案．
ID特徴の分布に関する仮定を導入することなくOOD特徴の分布を段階的に適応的に学習するためにGANを用いる．また，Representation Sampling Moduleと呼ばれる効率的な手法を提案しハードなOOD特徴をサンプリング．
結果
提案するBALを異なるCNNアーキテクチャを持つ複数のデータセットでテストした結果、BALはOOD検出の性能を大幅に向上させ、最先端の性能を達成し、オープンワールドシナリオにおいてより頑健な分類を可能にすることが示唆された．
また，画像分類ベンチマークでの実験結果は、SoTAであった．
その他（なぜ通ったか？等）
Out-of-distribution(OOD)では，正規分布でOODサンプルを生成していたが，GANを使って，OODサンプルの精度を高めるように段階的に学習した点が面白いと思う．また，OODサンプルはRSM(Representation Sampling Module)を使用される点も面白いポイントであると考える．
Github:https://github.com/ForeverPs/BAL
- …
- …