論文の概要: Improving Out-of-Distribution Detection with Markov Logic Networks

• arxiv url: http://arxiv.org/abs/2506.04241v1
• Date: Wed, 28 May 2025 12:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.287091
• Title: Improving Out-of-Distribution Detection with Markov Logic Networks
• Title（参考訳）: マルコフ論理ネットワークによるアウト・オブ・ディストリビューション検出の改善
• Authors: Konstantin Kirchheim, Frank Ortmeier,
• Abstract要約: オープンワールドシナリオで動作するディープラーニングモデルの信頼性を確保するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 本研究はマルコフ論理ネットワーク(MLN)を利用した確率論的推論による既存のOOD検出器の拡張を提案する。 MLNは計算効率を保ちながら,既存のOOD検出器の性能を大幅に向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 4.036176542852314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is essential for ensuring the reliability of deep learning models operating in open-world scenarios. Current OOD detectors mainly rely on statistical models to identify unusual patterns in the latent representations of a deep neural network. This work proposes to augment existing OOD detectors with probabilistic reasoning, utilizing Markov logic networks (MLNs). MLNs connect first-order logic with probabilistic reasoning to assign probabilities to inputs based on weighted logical constraints defined over human-understandable concepts, which offers improved explainability. Through extensive experiments on multiple datasets, we demonstrate that MLNs can significantly enhance the performance of a wide range of existing OOD detectors while maintaining computational efficiency. Furthermore, we introduce a simple algorithm for learning logical constraints for OOD detection from a dataset and showcase its effectiveness.
• Abstract（参考訳）: オープンワールドシナリオで動作するディープラーニングモデルの信頼性を確保するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 現在のOOD検出器は主に、ディープニューラルネットワークの潜在表現における異常パターンを特定する統計モデルに依存している。 本研究は,マルコフ論理ネットワーク(MLN)を利用して,確率論的推論により既存のOOD検出器を強化することを提案する。 MLNは、人間の理解可能な概念に定義された重み付けされた論理的制約に基づいて、確率を入力に割り当てる確率論的推論と一階述語論理を結びつける。 複数のデータセットに対する広範な実験により、MLNは計算効率を維持しながら、幅広いOOD検出器の性能を大幅に向上させることができることを示した。 さらに、データセットからOOD検出の論理的制約を学習するための簡単なアルゴリズムを導入し、その有効性を示す。

関連論文リスト

• Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
  本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。 本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。 画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-02-20T11:13:41Z)
• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• Detecting Out-of-Distribution Through the Lens of Neural Collapse [7.04686607977352]
  Out-of-Distribution (OOD) 検出は安全なデプロイメントに不可欠である。 ニューラル・コラプス現象に触発されて,我々は多目的かつ効率的なOOD検出法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T05:18:28Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Igeood: An Information Geometry Approach to Out-of-Distribution Detection [35.04325145919005]
  Igeoodは, オフ・オブ・ディストリビューション(OOD)サンプルを効果的に検出する手法である。 Igeoodは任意のトレーニング済みニューラルネットワークに適用され、機械学習モデルにさまざまなアクセス権を持つ。 Igeoodは、さまざまなネットワークアーキテクチャやデータセットにおいて、競合する最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T11:26:35Z)
• ProtoInfoMax: Prototypical Networks with Mutual Information Maximization for Out-of-Domain Detection [19.61846393392849]
  ProtoInfoMaxは、Prototypeal Networksを拡張してIn-Domain(ID)とOOD文を同時に処理する新しいアーキテクチャである。 提案手法は,低資源環境下でのOOD検出性能を最大20%向上できることを示す。
  論文  参考訳（メタデータ） (2021-08-27T11:55:34Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。