[B! learning][loss function][OOD] arxiv_readerのブックマーク

arxiv_reader id:arxiv_reader

learningとloss functionとOODに関するarxiv_readerのブックマーク (16)

堅牢な質問応答のための適応的な緩い最適化
arxiv_reader 2023/11/01
質問応答方法は、視覚的質問応答における事前言語や機械読解 (抽出的質問応答) における位置バイアスなど、データバイアスを活用することでよく知られています。現在のバイアス緩和方法は、分布外での良好な一

learning

VQA

arXiv reaDer

arXiv

bias

dataset

OOD

loss function
リンク
https://arxiv-check-250201.firebaseapp.com/each/2303.03037v2
arxiv_reader 2023/09/29
classification

dataset

detection

sparse

arXiv reaDer

estimation

arXiv

loss function

learning

OOD
リンク
大規模なクラスの分離は、リレーショナル推論ベースの OOD 検出に必要なものではありません
arxiv_reader 2023/07/13
標準的な認識アプローチでは、テスト時に新しいカテゴリを処理できません。既知のクラスに対する過信により、医療や自動運転などの安全性が重要なアプリケーションでは予測の信頼性が低くなります。配信外 (OO

arXiv reaDer

autonomous driving

OOD

pre-training

embedding

reasoning

detection

arXiv

loss function

learning
リンク
堅牢な質問応答のための適応的な緩い最適化
arxiv_reader 2023/05/17
質問応答方法は、視覚的質問応答における事前言語や機械読解 (抽出的質問応答) における位置バイアスなど、データバイアスを活用することでよく知られています。現在のバイアス緩和方法は、分布外での良好な一

arXiv reaDer

dataset

loss function

bias

learning

VQA

OOD

arXiv
リンク
堅牢な質問応答のための適応的な緩い最適化
arxiv_reader 2023/05/09
質問応答方法は、視覚的質問応答における事前言語や機械読解 (抽出的質問応答) における位置バイアスなど、データバイアスを活用することでよく知られています。現在のバイアス緩和方法は、分布外での良好な一

dataset

arXiv reaDer

arXiv

loss function

VQA

learning

bias

OOD
リンク
高速ニューラルシーンフロー
arxiv_reader 2023/04/19
シーンフローは、多くのダウンストリームタスクに低レベルのモーションキューを提供するため、重要な問題です。最先端の学習方法は通常高速であり、ドメイン内のデータで印象的なパフォーマンスを達成できます

loss function

real time

arXiv

point cloud

estimation

OOD

reconstruction

learning

arXiv reaDer

LiDAR
リンク
ベースラインを確立し、粒度の細かい分布外検出のための TernaryMixOE を導入する
arxiv_reader 2023/04/03
オープンワールドに展開された機械学習モデルは、認識できるようにトレーニングされていない観測に遭遇する可能性があり、そのような観測を高い信頼度で誤分類するリスクがあります。したがって、このような誤分類

loss function

detection

arXiv

classification

learning

OOD

arXiv reaDer
リンク
EvCenterNet: 証拠学習を使用したオブジェクト検出の不確実性推定
arxiv_reader 2023/03/07
不確実性の推定は、高レベルの意思決定や経路計画など、いくつかのダウンストリームタスクに貴重な情報を提供するため、自動運転などの安全性が重要な設定では非常に重要です。この作業では、証拠学習を利用して分

arXiv

arXiv reaDer

dataset

loss function

sparse

learning

detection

estimation

classification

OOD
リンク
アノテーションコストの低い大規模構造のセグメンテーションのための部分アノテーション
arxiv_reader 2022/09/27
ディープラーニング手法は、医療画像処理における構造と病状の自動セグメンテーションに効果的であることが示されています。ただし、注釈付きの大規模なデータセットが必要であり、特に大規模な構造の場合、手動で

OOD

arXiv reaDer

metric

segmentation

MRI

dataset

learning

arXiv

loss function
リンク
ディストリビューション外検出におけるディストリビューション内互換性に向けて
arxiv_reader 2022/08/30
ディープニューラルネットワークは、対象となる分布内のサンプルを識別するという優れた機能にもかかわらず、異常な分布外データの検出ではパフォーマンスが低下します。この欠陥に対処するために、最先端のソリ

arXiv reaDer

loss function

detection

gradient

benchmark

arXiv

dataset

learning

OOD
リンク
セマンティックドリブンエネルギーベースのアウトオブディストリビューション検出
arxiv_reader 2022/08/24
分類やオブジェクト検出など、実世界のビジュアルアプリケーションで Out-of-Distribution (OOD) サンプルを検出することは、今日のディープラーニングシステムの展開において必要

detection

arXiv reaDer

benchmark

learning

loss function

classification

representation

arXiv

OOD
リンク
ドメイン一般化のための因果的バランス
arxiv_reader 2022/06/13
機械学習モデルは、さまざまな実世界のタスクで最先端技術を急速に進歩させますが、これらのモデルの疑似相関に対する脆弱性を考えると、ドメイン外（OOD）の一般化は依然として困難な問題です。現在のドメイン一

learning

OOD

domain

arXiv reaDer

computer vision

dataset

arXiv

loss function
リンク
セグメンテーション一貫性トレーニング：医療画像セグメンテーションのための分布外一般化
Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation 一般化可能性は、特に病院の変更や画像処理ルーチンがモデルの完全な失敗につながる可能性がある医用画像処理の分野で、深層学習における主要な課題の1つと見なされています。これに取り組むために、一貫性トレーニングを導入します。これは、分散外の一般化を促進するために、拡張データと非拡張データ全体でモデルの予測一貫性を最大化することに基づくトレーニング手順とデータ拡張の代替手段です。この目的のために、セグメンテーション不整合損失（SIL）と呼ばれる新しい領域ベースのセグメンテーション損失関数を開発します。これは、拡張された予測と拡張されていない予測およびラベルのペアの違いを考慮します。一貫性トレーニング
arxiv_reader 2022/06/01
一般化可能性は、特に病院の変更や画像処理ルーチンがモデルの完全な失敗につながる可能性がある医用画像処理の分野で、深層学習における主要な課題の1つと見なされています。これに取り組むために、一貫性トレーニ

domain

dataset

loss function

arXiv reaDer

segmentation

OOD

augmentation

arXiv

learning
リンク
ロバストなMRI画像強調のための適応損失を伴う不確実性を意識したGAN
arxiv_reader 2021/10/08
画像から画像への変換は、ソース画像とターゲット画像の間に一意の1対1のマッピングが存在しない可能性があるため、不適切な問題です。このコンテキストで提案された学習ベースの方法は、多くの場合、トレーニング

OOD

reconstruction

MRI

GAN

dataset

arXiv

loss function

learning

arXiv reaDer
リンク
Fishr：分布外の一般化のための不変勾配分散
arxiv_reader 2021/09/08
データ分布の変化の下で十分に一般化する堅牢なモデルを学習することは、実際のアプリケーションにとって重要です。この目的のために、複数のトレーニングドメインから同時に学習することへの関心が高まっていますが

loss function

learning

benchmark

regularization

OOD

gradient

arXiv

arXiv reaDer

domain
リンク
損失関数が優れていると、転送可能な機能が少なくなるのはなぜですか？
arxiv_reader 2020/11/02
ソフトマックスクロスエントロピー損失を使用して、単一のクラスラベルが各例に割り当てられている分類データセットでニューラルネットワークをトレーニングするのが一般的です。ただし、ラベルスムージングまたはド

regularization

arXiv

arXiv reaDer

OOD

representation

dataset

classification
リンク
1

お知らせ

もっと読む

公式Twitter

@HatenaBookmark
リリース、障害情報などのサービスのお知らせ
@hatebu
最新の人気エントリーの配信

キーボードショートカット一覧

j次のブックマーク

k前のブックマーク

lあとで読む

eコメント一覧を開く

oページを開く

設定を変更しましたx