ترجمه فارسی مقاله DDoS: تشابه توزیع انتشار برای تشخیص خارج از توزیع

چکیده

Out-of-Distribution (OoD) detection determines whether the given samples are from the training distribution of the classifier-under-protection, i.e., the In-Distribution (InD), or from a different OoD. Latest researches introduce diffusion models pre-trained on InD data to advocate OoD detection by transferring an OoD image into a generated one that is close to InD, so that one could capture the distribution disparities between original and generated images to detect OoD data. Existing diffusion-based detectors adopt perceptual metrics on the two images to measure such disparities, but ignore a fundamental fact: Perceptual metrics are devised essentially for human-perceived similarities of low-level image patterns, e.g., textures and colors, and are not advisable in evaluating distribution disparities, since images with different low-level patterns could possibly come from the same distribution. To address this issue, we formulate a diffusion-based detection framework that considers the distribution similarity between a tested image and its generated counterpart via a novel proper similarity metric in the informative feature space and probability space learned by the classifier-under-protection. An anomaly-removal strategy is further presented to enlarge such distribution disparities by removing abnormal OoD information in the feature space to facilitate the detection. Extensive empirical results unveil the insufficiency of perceptual metrics and the effectiveness of our distribution similarity framework with new state-of-the-art detection performance.

چکیده به فارسی (ترجمه ماشینی)

تشخیص خارج از توزیع (OOD) تعیین می کند که آیا نمونه های داده شده از توزیع آموزش طبقه بندی-زیر محافظت ، یعنی توزیع در توزیع (IND) یا از یک OOD متفاوت است.آخرین تحقیقات ، مدل های انتشار را از قبل در داده های IND برای حمایت از تشخیص OOD با انتقال یک تصویر OOD به یک تصویر تولید شده که نزدیک به Ind است ، معرفی می کند ، به طوری که می توان نابرابری های توزیع بین تصاویر اصلی و تولید شده را برای تشخیص داده های OOD ضبط کرد.ردیاب های مبتنی بر انتشار موجود برای اندازه گیری چنین نابرابری ها معیارهای ادراکی را در دو تصویر اتخاذ می کنند ، اما یک واقعیت اساسی را نادیده می گیرند: معیارهای ادراکی اساساً برای شباهت های درک شده انسان از الگوهای تصویر سطح پایین ، به عنوان مثال ، بافت ها و رنگ ها ابداع می شوند و توصیه نمی شوند.در ارزیابی نابرابری های توزیع ، از آنجا که تصاویر با الگوهای مختلف سطح پایین می توانند از همان توزیع حاصل شوند.برای پرداختن به این مسئله ، ما یک چارچوب تشخیص مبتنی بر انتشار را تشکیل می دهیم که شباهت توزیع بین یک تصویر آزمایش شده و همتای تولید شده آن را از طریق یک متریک شباهت مناسب جدید در فضای ویژگی های آموزنده و فضای احتمال آموخته شده توسط طبقه بندی کننده تحت حمایت در نظر می گیرد.یک استراتژی از بین بردن ناهنجاری بیشتر برای بزرگ کردن چنین نابرابری های توزیع با از بین بردن اطلاعات غیر طبیعی OOD در فضای ویژگی برای تسهیل در تشخیص ارائه شده است.نتایج تجربی گسترده ای از کمبود معیارهای ادراکی و اثربخشی چارچوب شباهت توزیع ما با عملکرد جدید تشخیص پیشرفته رونمایی می کند.