اکسپرس 24
ترجمه فارسی مقاله طبقه‌بندی‌کننده شما می‌تواند مخفیانه یک آشکارساز OOD مبتنی بر احتمال باشد

ترجمه فارسی مقاله طبقه‌بندی‌کننده شما می‌تواند مخفیانه یک آشکارساز OOD مبتنی بر احتمال باشد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Your Classifier Can Be Secretly a Likelihood-Based OOD Detector
عنوان مقاله به فارسی طبقه‌بندی‌کننده شما می‌تواند مخفیانه یک آشکارساز OOD مبتنی بر احتمال باشد
نویسندگان Jirayu Burapacheep, Yixuan Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 9 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 840,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The ability to detect out-of-distribution (OOD) inputs is critical to guarantee the reliability of classification models deployed in an open environment. A fundamental challenge in OOD detection is that a discriminative classifier is typically trained to estimate the posterior probability p(y|z) for class y given an input z, but lacks the explicit likelihood estimation of p(z) ideally needed for OOD detection. While numerous OOD scoring functions have been proposed for classification models, these estimate scores are often heuristic-driven and cannot be rigorously interpreted as likelihood. To bridge the gap, we propose Intrinsic Likelihood (INK), which offers rigorous likelihood interpretation to modern discriminative-based classifiers. Specifically, our proposed INK score operates on the constrained latent embeddings of a discriminative classifier, which are modeled as a mixture of hyperspherical embeddings with constant norm. We draw a novel connection between the hyperspherical distribution and the intrinsic likelihood, which can be effectively optimized in modern neural networks. Extensive experiments on the OpenOOD benchmark empirically demonstrate that INK establishes a new state-of-the-art in a variety of OOD detection setups, including both far-OOD and near-OOD. Code is available at https://github.com/deeplearning-wisc/ink.

چکیده به فارسی (ترجمه ماشینی)

توانایی تشخیص ورودی های خارج از توزیع (OOD) برای تضمین قابلیت اطمینان مدل های طبقه بندی مستقر در یک محیط باز بسیار مهم است.یک چالش اساسی در تشخیص OOD این است که یک طبقه بندی کننده تبعیض آمیز به طور معمول برای تخمین احتمال خلفی P (y | z) برای کلاس Y با توجه به ورودی Z آموزش داده می شود ، اما فاقد برآورد احتمال صریح P (z) است که به طور ایده آل برای تشخیص OOD مورد نیاز است.در حالی که بسیاری از کارکردهای امتیاز دهی OOD برای مدلهای طبقه بندی ارائه شده است ، این نمرات تخمین اغلب اکتشافی محور هستند و نمی توان به طور جدی به عنوان احتمال تعبیر کرد.برای ایجاد شکاف ، ما احتمال ذاتی (جوهر) را پیشنهاد می کنیم ، که تفسیر دقیق احتمال را برای طبقه بندی کننده های مبتنی بر تبعیض آمیز مدرن ارائه می دهد.به طور خاص ، نمره جوهر پیشنهادی ما بر روی تعبیه های نهفته محدود از یک طبقه بندی کننده تبعیض آمیز عمل می کند ، که به عنوان ترکیبی از تعبیه های هیپرسفریک با هنجار ثابت مدل می شوند.ما یک ارتباط جدید بین توزیع hyperspherical و احتمال ذاتی ایجاد می کنیم ، که می تواند به طور مؤثر در شبکه های عصبی مدرن بهینه شود.آزمایش های گسترده ای در مورد معیار Openood به صورت تجربی نشان می دهد که جوهر در انواع مختلفی از مجموعه های تشخیص OOD ، از جمله هر دو دور دور و دور ، یک پیشرفته جدید را ایجاد می کند.کد در https://github.com/deeplearning-wisc/ink در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.