ICLR 2024 Spotlight | 부정 라벨 마이닝으로 CLIP 기반 배포 중단 감지 작업이 용이해졌습니다.

오픈 월드 시나리오에서 기계 학습 모델이 점점 더 많이 사용됨에 따라 OOD(Out-of-Distribution) 데이터를 효과적으로 식별하고 처리하는 방법이 중요한 연구 분야가 되었습니다. 분포를 벗어난 데이터가 있으면 모델의 과신과 부정확한 예측이 발생할 수 있으며, 이는 자율 주행 및 의료 진단과 같이 안전이 중요한 응용 분야에서 특히 위험합니다. 따라서 효과적인 OOD 감지 메커니즘을 개발하는 것은 실제 적용에서 모델의 안전성과 신뢰성을 향상시키는 데 중요합니다.

기존 OOD 감지 방법은 주로 단일 패턴, 특히 이미지 데이터에 초점을 맞추고 텍스트 데이터와 같이 잠재적으로 유용한 다른 정보 소스를 무시합니다. VLM(시각 언어 모델)의 등장으로 다중 모달 학습 시나리오, 특히 이미지와 관련 텍스트 설명을 동시에 이해해야 하는 작업에서 강력한 성능을 보여주었습니다. VLM을 기반으로 한 기존 OOD 감지 방법[3, 4, 5]은 ID 태그의 의미 정보만 사용하며 VLM 모델의 강력한 제로 샘플 기능과 VLM이 해석할 수 있는 매우 광범위한 의미 공간을 무시합니다. 이를 바탕으로 우리는 VLM이 OOD 탐지 분야에서 아직 개발되지 않은 엄청난 잠재력을 갖고 있으며, 특히 이미지와 텍스트 정보를 포괄적으로 활용하여 탐지 결과를 향상시킬 수 있다고 믿습니다.

이 기사는 다음 세 가지 질문을 중심으로 진행됩니다.

1. 비ID 태그 정보가 제로샷 OOD 감지에 도움이 됩니까?

2. 제로 샘플 OOD 탐지에 유용한 정보를 채굴하는 방법은 무엇입니까?

3. 제로 샘플 OOD 탐지를 위해 채굴된 정보를 어떻게 사용하나요?

이 프로젝트에서는 OOD 감지를 위해 VLM을 활용하는 NegLabel이라는 혁신적인 접근 방식을 제안합니다. NegLabel 방법은 특히 "부정적 라벨" 메커니즘을 도입합니다. 이러한 부정적 라벨은 알려진 ID 카테고리 라벨과 의미론적으로 상당한 차이가 있습니다. NegLabel은 이미지와 ID 라벨의 친화력과 특성을 분석하고 비교함으로써 다음에 속하는 분포를 효과적으로 구별할 수 있습니다. 모델 외부의 샘플을 식별함으로써 OOD 샘플을 식별하는 모델의 능력을 크게 향상시킵니다.

NegLabel은 여러 제로샷 OOD 감지 벤치마크에서 우수한 성능을 달성했습니다. ImageNet-1k와 같은 대규모 데이터 세트에서 94.21% AUROC 및 25.40% FPR95를 달성할 수 있습니다. NegLabel은 VLM 기반의 OOD 탐지 방법과 비교하여 추가적인 훈련 과정이 필요하지 않을 뿐만 아니라 우수한 성능을 보여줍니다. 또한 NegLabel은 다양한 VLM 아키텍처에서 탁월한 다양성과 견고성을 보여줍니다.

ØPaper 링크: https://arxiv.org/pdf/2403.20078.pdf

Ø코드 링크: https://github.com/tmlr-group/NegLabel

다음에 간략히 소개하겠습니다. 최근 ICLR 2024에서 배포되지 않은 탐지에 대한 연구 결과가 발표되었습니다.

사전 지식

방법 소개

NegLabel의 핵심은 이미지를 ID와 분석하고 비교함으로써 알려진 ID 카테고리 라벨과 의미상 상당한 차이가 있다는 것입니다. 라벨 및 음성 라벨 NegLabel은 친화력을 통해 분포를 벗어난 샘플을 효과적으로 구별할 수 있으므로 모델의 OOD 샘플 식별 기능이 크게 향상됩니다.

그림 1. NegLabel 개요

1. 네거티브 라벨을 선택하는 방법은 무엇인가요?

2. OOD 감지에 부정적인 라벨을 사용하는 방법은 무엇입니까?

3. 음성 샘플이 제로 샘플 OOD 감지를 촉진할 수 있다는 것을 어떻게 이해합니까?

실험 결과

우리의 연구 작업은 우리가 제안한 방법의 성능과 기본 메커니즘을 이해하기 위한 다차원 실험 결과를 제공합니다.

아래 표에서 볼 수 있듯이, 성능이 뛰어난 많은 벤치마크 방법 및 고급 방법과 비교하여, 이 기사에서 제안하는 방법은 대규모 데이터 세트(예: ImageNet)에서 더 나은 분포 외 탐지 결과를 얻을 수 있습니다.

또한 아래 표와 같이 ID 데이터가 도메인 마이그레이션을 수행할 때 이 문서의 방법이 더 강력합니다.

다음 두 표에서는 NegLabel의 각 모듈과 VLM의 구조에 대해 Ablation 실험을 진행했습니다. 왼쪽 표에서 볼 수 있듯이 NegMining 알고리즘과 Grouping 전략 모두 OOD 탐지 성능을 효과적으로 향상시킬 수 있습니다. 오른쪽 표는 우리가 제안한 NegLabel 알고리즘이 다양한 구조의 VLM에 대한 적응성이 우수하다는 것을 보여줍니다.

ID 태그와 Negative 태그에 대한 다양한 입력 이미지의 친화도에 대한 시각적 분석도 수행했습니다. 더 자세한 실험과 결과는 원본 기사를 참조하세요.

References

[1] Hendrycks, D. 및 Gimpel, K. 신경망에서 잘못 분류되고 배포되지 않은 사례를 감지하기 위한 기준선, 2017.

[2] Alec Radford, 김종욱, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark 등 ICML에서 전이 가능한 시각적 모델 학습, 2021.

3] Sepideh Esmaeilpour, Bing Liu, Eric Robertson 및 Lei Shu. 사전 훈련된 모델 클립을 기반으로 한 제로샷 분포 이탈 감지, AAAI, 2022.

[4] Yifei Ming, Ziyang Cai, Jiuxiang Gu, Yiyou Sun, Wei Li 및 Yixuan Li. NeurIPS, 2022a.

[5] Hualiang Wang, Yi Li, Huifeng Yao 및 Xiaomeng Li. -샷 음식 감지: ICCV, 2023.

[6] Christiane Fellbaum: 전자 어휘 데이터베이스, 1998.

위 내용은 ICLR 2024 Spotlight | 부정 라벨 마이닝으로 CLIP 기반 배포 중단 감지 작업이 용이해졌습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!