論文の概要: Thinking in Groups: Permutation Tests Reveal Near-Out-of-Distribution

• arxiv url: http://arxiv.org/abs/2403.14058v2
• Date: Wed, 15 Oct 2025 17:15:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.213195
• Title: Thinking in Groups: Permutation Tests Reveal Near-Out-of-Distribution
• Title（参考訳）: グループにおける思考: 置換テストは分布のほとんどを明らかにする
• Authors: Yasith Jayawardana, Dineth Jayakody, Sampath Jayarathna, Dushan N. Wadduwage,
• Abstract要約: ホモジニアスOoD(HooD)は相関データのための新しいOoD検出フレームワークである。 HooDは、トレーニングされたモデルを通して相関測定のグループを計画し、置換に基づく仮説テストを使用して既知のサブポピュレーションと比較する。 評価において、HOoDは、ポイントワイドおよびアンサンブルベースのOoD検出器よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.8224695424591678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) have the potential to power many biomedical workflows, but training them on truly representative, IID datasets is often infeasible. Most models instead rely on biased or incomplete data, making them prone to out-of-distribution (OoD) inputs that closely resemble in-distribution samples. Such near-OoD cases are harder to detect than standard OOD benchmarks and can cause unreliable, even catastrophic, predictions. Biomedical assays, however, offer a unique opportunity: they often generate multiple correlated measurements per specimen through biological or technical replicates. Exploiting this insight, we introduce Homogeneous OoD (HOoD), a novel OoD detection framework for correlated data. HOoD projects groups of correlated measurements through a trained model and uses permutation-based hypothesis tests to compare them with known subpopulations. Each test yields an interpretable p-value, quantifying how well a group matches a subpopulation. By aggregating these p-values, HOoD reliably identifies OoD groups. In evaluations, HOoD consistently outperforms point-wise and ensemble-based OoD detectors, demonstrating its promise for robust real-world deployment.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は多くのバイオメディカルワークフローを駆動する可能性があるが、真の代表的IDデータセットでそれらをトレーニングすることは不可能であることが多い。 ほとんどのモデルは偏りのあるデータや不完全なデータに依存しており、分布内サンプルとよく似た分布外インプット(OoD)の傾向にある。 このようなOoDに近いケースは、標準のOODベンチマークよりも検出が難しく、信頼性が悪く、破滅的な予測を引き起こします。 しかし、バイオメディカル・アッセイ(英語版)は、しばしば生物学的または技術的な複製を通じて、標本ごとに複数の相関した測定結果を生成するという、ユニークな機会を提供する。 この知見を出し、相関データのための新しいOoD検出フレームワークであるHooD(Homogeneous OoD)を紹介する。 HOoDは、トレーニングされたモデルを通して相関測定のグループを計画し、置換に基づく仮説テストを用いて既知のサブポピュレーションと比較する。 各テストは解釈可能なp-値を生成し、群がサブポピュレーションにどの程度よくマッチするかを定量化する。 これらのp-値を集約することにより、HOoDはOoD群を確実に識別する。 評価において、HOoDは、ポイントワイドおよびアンサンブルベースのOoD検出器を一貫して上回り、堅牢な現実世界展開の可能性を実証している。

関連論文リスト

• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [52.98590762456236]
  トレーニングフリーテスト時動的アダプタ(TDA)は、この問題に対処するための有望なアプローチである。 単体テスト時間適応法(Dota)の簡易かつ効果的な方法を提案する。 Dotaは継続的にテストサンプルの分布を推定し、モデルがデプロイメント環境に継続的に適応できるようにします。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Uncertainty Measurement of Deep Learning System based on the Convex Hull of Training Sets [0.13265175299265505]
  本研究では,訓練データの凸殻に基づくトレーニングモデルの不確実性を測定するTo-hull Uncertainity and Closure Ratioを提案する。 学習したデータの凸船体と見えないサンプルとの間の位置関係を観察し、サンプルが凸船体からどのように外挿されているかを推測することができる。
  論文  参考訳（メタデータ） (2024-05-25T06:25:24Z)
• Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
  アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。 従来、教師なし手法はOOD検出に深い生成モデルを用いていた。 本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T08:54:03Z)
• Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
  本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。 選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。 我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
  論文  参考訳（メタデータ） (2022-10-19T21:27:25Z)
• A Novel Explainable Out-of-Distribution Detection Approach for Spiking Neural Networks [6.100274095771616]
  この研究は、スパイキングニューラルネットワークに入力されたテスト例がトレーニングされたデータの分布に属するかどうかを識別できる新しいOoD検出器を提案する。 我々は、スパイクカウントパターンの形で、ネットワークの隠蔽層の内部活性化を特徴付ける。 入力インスタンスのどの部分が最もOoDサンプルとして検出されるかを明らかにする属性マップを作成するために,局所的な説明法が考案された。
  論文  参考訳（メタデータ） (2022-09-30T11:16:35Z)
• Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
  Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。 IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。 OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
  論文  参考訳（メタデータ） (2022-05-30T15:40:33Z)
• iDECODe: In-distribution Equivariance for Conformal Out-of-distribution Detection [24.518698391381204]
  ディープニューラルネットワーク(DNN)のような機械学習手法は、しばしば信頼性の高い誤った予測を生成する。 そこで我々は,共形OOD検出に分配同値を用いたiDECODeを提案する。 画像と音声のデータセットを用いた実験により,iDECODeの有効性を実証し,その結果を得た。
  論文  参考訳（メタデータ） (2022-01-07T05:21:40Z)
• Out-of-distribution detection for regression tasks: parameter versus predictor entropy [2.026281591452464]
  マシンラーニングモデルが信頼されるためのトレーニングサンプルから、インスタンスが正しく外れていることを検出することが重要です。 ニューラルネットワークの場合、このタスクの1つのアプローチは、トレーニングデータを説明することができる予測子の多様性を学習することである。 そこで本研究では,関数空間に近接する隣接点に基づく予測器上の分布のエントロピーを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-24T21:41:21Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
  我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。 具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。 大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
  論文  参考訳（メタデータ） (2020-02-26T04:18:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。