ترجمه فارسی مقاله تقویت هنجار بازنمایی برای تشخیص خارج از توزیع در یادگیری دم بلند

چکیده

Detecting out-of-distribution (OOD) samples is a critical task for reliable machine learning. However, it becomes particularly challenging when the models are trained on long-tailed datasets, as the models often struggle to distinguish tail-class in-distribution samples from OOD samples. We examine the main challenges in this problem by identifying the trade-offs between OOD detection and in-distribution (ID) classification, faced by existing methods. We then introduce our method, called \textit{Representation Norm Amplification} (RNA), which solves this challenge by decoupling the two problems. The main idea is to use the norm of the representation as a new dimension for OOD detection, and to develop a training method that generates a noticeable discrepancy in the representation norm between ID and OOD data, while not perturbing the feature learning for ID classification. Our experiments show that RNA achieves superior performance in both OOD detection and classification compared to the state-of-the-art methods, by 1.70\% and 9.46\% in FPR95 and 2.43\% and 6.87\% in classification accuracy on CIFAR10-LT and ImageNet-LT, respectively. The code for this work is available at https://github.com/dgshin21/RNA.

چکیده به فارسی (ترجمه ماشینی)

تشخیص نمونه های خارج از توزیع (OOD) یک کار مهم برای یادگیری ماشین قابل اعتماد است.با این حال ، هنگامی که مدل ها در مجموعه داده های دم بلند آموزش دیده می شوند ، به ویژه چالش برانگیز می شود ، زیرا این مدل ها اغلب برای تمایز نمونه های توزیع کلاس دم از نمونه های OOD تلاش می کنند.ما با شناسایی معاملات بین تشخیص OOD و طبقه بندی توزیع (ID) ، که با روشهای موجود روبرو هستند ، چالش های اصلی این مشکل را بررسی می کنیم.سپس ما روش خود را با نام \ textit {تقویت هنجار تقویت} (RNA) معرفی می کنیم ، که این چالش را با جدا کردن دو مشکل حل می کند.ایده اصلی استفاده از هنجار نمایندگی به عنوان یک بعد جدید برای تشخیص OOD و ایجاد یک روش آموزشی است که باعث ایجاد اختلاف قابل توجه در هنجار بازنمایی بین داده های ID و OOD می شود ، در حالی که یادگیری ویژگی را برای طبقه بندی شناسه آشفته نمی کند.آزمایشات ما نشان می دهد که RNA در مقایسه با روشهای مدرن ، عملکرد برتر را در هر دو تشخیص و طبقه بندی در مقایسه با روشهای پیشرفته به دست می آورد ، در FPR95 و 9.46 \ 9.46 \ 43 \ ٪ و 6.87 \ در طبقه بندی CIFAR10- CIFAR10-به ترتیب LT و Imagenet-LT.کد این کار در https://github.com/dgshin21/rna در دسترس است.