18日前

キャリブレーション済みの近傍意識的信頼度測度によるディープメトリック学習

Maryna Karpusha, Sunghee Yun, Istvan Fehervari
キャリブレーション済みの近傍意識的信頼度測度によるディープメトリック学習
要約

近年の深層学習の成功を背景に、ディープメトリック学習(Deep metric learning)は著しい進展を遂げており、少数サンプル学習(few-shot learning)、画像検索、オープンセット分類などの分野に成功裏に応用されている。しかし、ディープメトリック学習モデルの予測信頼度を測定し、信頼性の低い予測を特定するという課題は依然として未解決のままである。本論文では、分類精度と密接に連動する、校正(calibrated)かつ解釈可能(interpretable)な信頼度指標の定義に焦点を当てる。学習された距離メトリックを用いて潜在空間上で類似度を直接比較する手法を採用し、各クラスのデータポイントの分布をガウスカーネル平滑化関数を用いて近似する。提案する信頼度指標を用いた後処理による校正アルゴリズムを、保留された検証データセット上で適用することで、最先端のディープメトリック学習モデルの汎化性能およびロバスト性が向上するとともに、信頼度に対する解釈可能な推定が可能となる。カレット・ユーカッド・バード(Caltech-UCSD Birds)、スタンフォード・オンラインプロダクト(Stanford Online Product)、スタンフォード・カー-196(Stanford Car-196)、インショップ・クローズリトリーバル(In-shop Clothes Retrieval)の4つの代表的なベンチマークデータセットにおける広範な実験結果から、テストデータに追加のノイズや敵対的例(adversarial examples)による分布シフトが存在する状況下でも、一貫した性能向上が確認された。

キャリブレーション済みの近傍意識的信頼度測度によるディープメトリック学習 | 最新論文 | HyperAI超神経