論文の概要: DynaSubVAE: Adaptive Subgrouping for Scalable and Robust OOD Detection

• arxiv url: http://arxiv.org/abs/2506.10200v1
• Date: Wed, 11 Jun 2025 21:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.471626
• Title: DynaSubVAE: Adaptive Subgrouping for Scalable and Robust OOD Detection
• Title（参考訳）: DynaSubVAE:スケーラブル・ロバストOOD検出のための適応サブグループ
• Authors: Tina Behrouzi, Sana Tonekaboni, Rahul G. Krishnan, Anna Goldenberg,
• Abstract要約: 表現学習と適応OOD検出を共同で行う動的サブグループ変分自動符号化フレームワークであるDynaSubVAEを紹介する。 従来のアプローチとは異なり、DynaSubVAEはその潜在構造を動的に更新して新しいトレンドを捉え、データとともに進化する。
• 参考スコア（独自算出の注目度）: 14.940518154050931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world observational data often contain existing or emerging heterogeneous subpopulations that deviate from global patterns. The majority of models tend to overlook these underrepresented groups, leading to inaccurate or even harmful predictions. Existing solutions often rely on detecting these samples as Out-of-domain (OOD) rather than adapting the model to new emerging patterns. We introduce DynaSubVAE, a Dynamic Subgrouping Variational Autoencoder framework that jointly performs representation learning and adaptive OOD detection. Unlike conventional approaches, DynaSubVAE evolves with the data by dynamically updating its latent structure to capture new trends. It leverages a novel non-parametric clustering mechanism, inspired by Gaussian Mixture Models, to discover and model latent subgroups based on embedding similarity. Extensive experiments show that DynaSubVAE achieves competitive performance in both near-OOD and far-OOD detection, and excels in class-OOD scenarios where an entire class is missing during training. We further illustrate that our dynamic subgrouping mechanism outperforms standalone clustering methods such as GMM and KMeans++ in terms of both OOD accuracy and regret precision.
• Abstract（参考訳）: 実世界の観測データには、大域的なパターンから逸脱する、既存のまたは出現する異種亜集団が含まれることが多い。 モデルの大半は、これらの過小評価されたグループを見落とし、不正確または有害な予測につながる傾向にある。 既存のソリューションは、新しい新しいパターンにモデルを適応させるのではなく、これらのサンプルをアウト・オブ・ドメイン(OOD)として検出することに依存することが多い。 表現学習と適応OOD検出を共同で行う動的サブグループ変分自動符号化フレームワークであるDynaSubVAEを紹介する。 従来のアプローチとは異なり、DynaSubVAEはその潜在構造を動的に更新して新しいトレンドを捉え、データとともに進化する。 ガウス混合モデルにインスパイアされた新しい非パラメトリッククラスタリング機構を利用して、埋め込み類似性に基づく潜在部分群を発見し、モデル化する。 大規模な実験により、DynaSubVAEは、近OODと遠OODの両方で競合性能を達成し、訓練中にクラス全体が欠落しているクラスOODのシナリオに優れていた。 さらに、我々の動的サブグループ化機構は、OOD精度と後悔の精度の両方の観点から、GMMやKMeans++のようなスタンドアロンクラスタリング手法よりも優れていることを示す。

関連論文リスト

• DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection [0.0]
  本研究では、クラスタリングのためのディリクレプロセス深層生成モデル統合インクリメンタルラーニング(DPGIIL)を提案する。 DGMの潜在空間に先立ってDPMMを導入することで、DPGIILは抽出された潜在表現の相違を自動的に捕捉し、生成モデリングとクラスタリングの両方を可能にする。 2つのケーススタディにより、提案手法は、構造異常の検出とクラスタリングにおける最先端のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-06T05:18:58Z)
• DPU: Dynamic Prototype Updating for Multimodal Out-of-Distribution Detection [10.834698906236405]
  機械学習モデルの堅牢性を保証するためには、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。 マルチモーダルモデルの最近の進歩は、検出性能を高めるために複数のモダリティを活用する可能性を示している。 マルチモーダルOOD検出のための新しいプラグイン・アンド・プレイフレームワークであるDynamic Prototype Updating (DPU)を提案する。
  論文  参考訳（メタデータ） (2024-11-12T22:43:16Z)
• Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
  本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• CLIPood: Generalizing CLIP to Out-of-Distributions [73.86353105017076]
  対照的に、CLIP(Language-image Pre-training)モデルでは、印象的なゼロショット能力を示しているが、下流タスクにおけるCLIPのさらなる適応は、OODのパフォーマンスを好ましくない劣化させる。 ドメインシフトとオープンクラスの両方が見えないテストデータ上で発生する可能性があるOOD状況にCLIPモデルを適用するための微調整手法であるCLIPoodを提案する。 さまざまなOODシナリオによるさまざまなデータセットの実験は、CLIPoodが既存の一般化テクニックを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-02-02T04:27:54Z)
• on the effectiveness of generative adversarial network on anomaly detection [1.6244541005112747]
  GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。 本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。 識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
  論文  参考訳（メタデータ） (2021-12-31T16:35:47Z)
• Joint Distribution across Representation Space for Out-of-Distribution Detection [16.96466730536722]
  本稿では,各隠蔽層から生成した潜伏特性を表現空間間の連成分布として利用し,分布内データに対する新たな展望を示す。 まず,隠れ層ごとに分布しない潜在特性に基づいてガウス混合モデル(GMM)を構築し,その後,推定トレースの遷移確率を介してGMMを接続する。
  論文  参考訳（メタデータ） (2021-03-23T06:39:29Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。