ترجمه فارسی مقاله تشخیص نوآوری جهانی از طریق یادگیری تضادی تطبیقی
عنوان مقاله به انگلیسی
Universal Novelty Detection Through Adaptive Contrastive Learning
عنوان مقاله به فارسی
تشخیص نوآوری جهانی از طریق یادگیری تضادی تطبیقی
نویسندگان
Hossein Mirzaei, Mojtaba Nafez, Mohammad Jafari, Mohammad Bagher Soltani, Mohammad Azizmalayeri, Jafar Habibi, Mohammad Sabokrou, Mohammad Hossein Rohban
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
Novelty detection is a critical task for deploying machine learning models in the open world. A crucial property of novelty detection methods is universality, which can be interpreted as generalization across various distributions of training or test data. More precisely, for novelty detection, distribution shifts may occur in the training set or the test set. Shifts in the training set refer to cases where we train a novelty detector on a new dataset and expect strong transferability. Conversely, distribution shifts in the test set indicate the methods' performance when the trained model encounters a shifted test sample. We experimentally show that existing methods falter in maintaining universality, which stems from their rigid inductive biases. Motivated by this, we aim for more generalized techniques that have more adaptable inductive biases. In this context, we leverage the fact that contrastive learning provides an efficient framework to easily switch and adapt to new inductive biases through the proper choice of augmentations in forming the negative pairs. We propose a novel probabilistic auto-negative pair generation method AutoAugOOD, along with contrastive learning, to yield a universal novelty detector method. Our experiments demonstrate the superiority of our method under different distribution shifts in various image benchmark datasets. Notably, our method emerges universality in the lens of adaptability to different setups of novelty detection, including one-class, unlabeled multi-class, and labeled multi-class settings. Code: https://github.com/mojtaba-nafez/UNODE
چکیده به فارسی (ترجمه ماشینی)
تشخیص جدید یک کار مهم برای استقرار مدل های یادگیری ماشین در دنیای باز است.یک ویژگی مهم از روشهای تشخیص جدید ، جهانی بودن است که می تواند به عنوان تعمیم در توزیع های مختلف آموزش یا داده های آزمون تعبیر شود.به طور دقیق تر ، برای تشخیص جدید ، تغییر توزیع ممکن است در مجموعه آموزش یا مجموعه آزمون رخ دهد.تغییر در مجموعه آموزش به مواردی اشاره دارد که ما یک ردیاب جدید را در یک مجموعه داده جدید آموزش می دهیم و انتظار انتقال قوی را داریم.در مقابل ، تغییر توزیع در مجموعه آزمون نشان دهنده عملکرد روشها هنگام برخورد مدل آموزش داده شده با یک نمونه آزمون تغییر یافته است.ما به طور تجربی نشان می دهیم که روشهای موجود در حفظ جهانی بودن ، که ناشی از تعصبات القایی سفت و سخت آنها است ، متلاشی می شوند.با انگیزه از این امر ، ما هدف ما تکنیک های عمومی تر است که دارای تعصبات استقرا سازنده تر هستند.در این زمینه ، ما از این واقعیت استفاده می کنیم که یادگیری متضاد یک چارچوب کارآمد را برای جابجایی و سازگاری به راحتی با تعصبات القایی جدید از طریق انتخاب مناسب تقویت در شکل گیری جفت های منفی فراهم می کند.ما یک روش تولید جفت خودکار منفی احتمالی جدید را به همراه یادگیری متضاد ارائه می دهیم تا یک روش ردیاب جدید جهانی ارائه دهیم.آزمایشات ما برتری روش ما را تحت تغییر توزیع های مختلف در مجموعه داده های معیار مختلف تصویر نشان می دهد.نکته قابل توجه ، روش ما جهانی بودن در لنزهای سازگاری با مجموعه های مختلف تشخیص تازگی ، از جمله یک طبقه ، چند طبقه بدون برچسب و تنظیمات چند طبقه برچسب ، ظهور می کند.کد: https://github.com/mojtaba-nafez/unode
📚 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
