کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Unsupervised out-of-distribution (U-OOD) detection is to identify OOD data samples with a detector trained solely on unlabeled in-distribution (ID) data. The likelihood function estimated by a deep generative model (DGM) could be a natural detector, but its performance is limited in some popular "hard" benchmarks, such as FashionMNIST (ID) vs. MNIST (OOD). Recent studies have developed various detectors based on DGMs to move beyond likelihood. However, despite their success on "hard" benchmarks, most of them struggle to consistently surpass or match the performance of likelihood on some "non-hard" cases, such as SVHN (ID) vs. CIFAR10 (OOD) where likelihood could be a nearly perfect detector. Therefore, we appeal for more attention to incremental effectiveness on likelihood, i.e., whether a method could always surpass or at least match the performance of likelihood in U-OOD detection. We first investigate the likelihood of variational DGMs and find its detection performance could be improved in two directions: i) alleviating latent distribution mismatch, and ii) calibrating the dataset entropy-mutual integration. Then, we apply two techniques for each direction, specifically post-hoc prior and dataset entropy-mutual calibration. The final method, named Resultant, combines these two directions for better incremental effectiveness compared to either technique alone. Experimental results demonstrate that the Resultant could be a new state-of-the-art U-OOD detector while maintaining incremental effectiveness on likelihood in a wide range of tasks.
چکیده به فارسی (ترجمه ماشینی)
تشخیص بدون نظارت از توزیع (U-Oood) شناسایی نمونه های داده OOD با یک ردیاب است که صرفاً بر روی داده های توزیع نشده (ID) آموزش داده شده است.عملکرد احتمال تخمین زده شده توسط یک مدل تولیدی عمیق (DGM) می تواند یک آشکارساز طبیعی باشد ، اما عملکرد آن در برخی از معیارهای محبوب "سخت" مانند FashionMnist (ID) در مقابل MNIST (OOD) محدود است.مطالعات اخیر آشکارسازهای مختلفی را بر اساس DGM ها ایجاد کرده اند تا از احتمال فراتر بروند.با این حال ، علیرغم موفقیت آنها در معیارهای "سخت" ، بیشتر آنها تلاش می کنند تا به طور مداوم از عملکرد احتمال در برخی موارد "غیر سخت" مانند SVHN (ID) در مقابل CIFAR10 (OOD) پیشی بگیرند که در آن احتمال وجود داشته باشد.ردیاب تقریبا عالی.بنابراین ، ما درخواست توجه بیشتر به اثربخشی افزایشی بر احتمال ، یعنی اینکه آیا یک روش همیشه می تواند پیشی بگیرد یا حداقل با عملکرد احتمال در تشخیص U-Owe مطابقت داشته باشد.ما ابتدا احتمال DGM های متنوع را بررسی می کنیم و می توان عملکرد تشخیص آن را از دو جهت بهبود بخشید: 1) کاهش عدم تطابق توزیع نهان ، و ب) کالیبراسیون ادغام آنتروپی-محرک داده.سپس ، ما دو روش برای هر جهت ، به طور خاص کالیبراسیون آنتروپی قبل از تعقیب و پس از تعقیله استفاده می کنیم.روش نهایی ، به نام نتیجه ، این دو جهت را برای اثربخشی افزایشی بهتر در مقایسه با هر یک از تکنیک ها به تنهایی ترکیب می کند.نتایج تجربی نشان می دهد که نتیجه می تواند یک آشکارساز جدید و پیشرفته U-out باشد و در عین حال اثربخشی افزایشی بر احتمال در طیف گسترده ای از کارها را حفظ کند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
