論文の概要: Adaptive Multi-prompt Contrastive Network for Few-shot Out-of-distribution Detection

• arxiv url: http://arxiv.org/abs/2506.17633v1
• Date: Sat, 21 Jun 2025 08:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.517641
• Title: Adaptive Multi-prompt Contrastive Network for Few-shot Out-of-distribution Detection
• Title（参考訳）: 数発のアウトオブディストリビューション検出のための適応型マルチプロンプトコントラストネットワーク
• Authors: Xiang Fang, Arvind Easwaran, Blaise Genest,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)データセットでトレーニングされたモデルが利用できない出力を生成するのを防ぐために、アウト・オブ・ディストリビューション(OOD)サンプルを区別する試みである。 ほとんどのOOD検出方法は、トレーニングのために多くのIDサンプルを必要とし、実際の応用を著しく制限する。 クラス間およびクラス内分布の学習により,ID-OOD分離境界に適応する適応型マルチプロンプトコントラストネットワーク(AMCN)を提案する。
• 参考スコア（独自算出の注目度）: 4.938957922033169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection attempts to distinguish outlier samples to prevent models trained on the in-distribution (ID) dataset from producing unavailable outputs. Most OOD detection methods require many IID samples for training, which seriously limits their real-world applications. To this end, we target a challenging setting: few-shot OOD detection, where {Only a few {\em labeled ID} samples are available.} Therefore, few-shot OOD detection is much more challenging than the traditional OOD detection setting. Previous few-shot OOD detection works ignore the distinct diversity between different classes. In this paper, we propose a novel network: Adaptive Multi-prompt Contrastive Network (AMCN), which adapts the ID-OOD separation boundary by learning inter- and intra-class distribution. To compensate for the absence of OOD and scarcity of ID {\em image samples}, we leverage CLIP, connecting text with images, engineering learnable ID and OOD {\em textual prompts}. Specifically, we first generate adaptive prompts (learnable ID prompts, label-fixed OOD prompts and label-adaptive OOD prompts). Then, we generate an adaptive class boundary for each class by introducing a class-wise threshold. Finally, we propose a prompt-guided ID-OOD separation module to control the margin between ID and OOD prompts. Experimental results show that AMCN outperforms other state-of-the-art works.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)データセットでトレーニングされたモデルが利用できない出力を生成するのを防ぐために、アウト・オブ・ディストリビューション(OOD)サンプルを区別する試みである。 ほとんどのOOD検出方法は、トレーニングのために多くのIDサンプルを必要とし、実際の応用を著しく制限する。 この目的のために、我々は挑戦的な設定を目標としています: 数発のOOD検出、ここでは、{Only a few {\em labeled ID} sampleが利用可能です。 したがって、OOD検出は従来のOOD検出設定よりもはるかに難しい。 以前の数発のOOD検出作業は、異なるクラス間で異なる多様性を無視する。 本稿では,クラス間およびクラス内分布の学習によりID-OOD分離境界に適応する適応型マルチプロンプトコントラストネットワーク(AMCN)を提案する。 OOD の欠如と ID {\em 画像サンプルの不足を補うために、CLIP を活用し、画像とテキストを接続し、工学的に学習可能な ID と OOD {\em テキストプロンプトを接続する。 具体的には,まず適応的なプロンプト(学習可能なIDプロンプト,ラベル固定型OODプロンプト,ラベル適応型OODプロンプト)を生成する。 次に,各クラスに対する適応型クラス境界を,クラスワイドしきい値を導入して生成する。 最後に,IDプロンプトとOODプロンプトのマージンを制御するために,プロンプト誘導型ID-OOD分離モジュールを提案する。 実験の結果,AMCNは他の最先端技術よりも優れていた。

関連論文リスト

• EOOD: Entropy-based Out-of-distribution Detection [9.546208844692035]
  ディープニューラルネットワーク(DNN)は、アウト・オブ・ディストリビューション(OOD)サンプルに遭遇するとき、しばしば過剰な自信を示す。 本稿では,エントロピーに基づくアウトオフ分布検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-04T10:57:03Z)
• Semantic or Covariate? A Study on the Intractable Case of Out-of-Distribution Detection [70.57120710151105]
  ID分布のセマンティック空間をより正確に定義する。 また,OOD と ID の区別性を保証する "Tractable OOD" の設定も定義する。
  論文  参考訳（メタデータ） (2024-11-18T03:09:39Z)
• LAPT: Label-driven Automated Prompt Tuning for OOD Detection with Vision-Language Models [17.15755066370757]
  Label-driven Automated Prompt Tuning (LAPT)は、手動プロンプトエンジニアリングの必要性を減らすOOD検出の新しいアプローチである。 In-distriion (ID) クラス名と負ラベルを自動的にマイニングする分布認識プロンプトを開発した。 LAPTは手作業によるプロンプトよりも一貫して優れており、OOD検出の新しい標準となっている。
  論文  参考訳（メタデータ） (2024-07-12T03:30:53Z)
• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• Negative Label Guided OOD Detection with Pretrained Vision-Language Models [96.67087734472912]
  Out-of-distriion (OOD) は未知のクラスからサンプルを識別することを目的としている。 我々は,大規模なコーパスデータベースから大量の負のラベルを抽出する,NegLabelと呼ばれる新しいポストホックOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T09:19:52Z)
• Out-of-Distribution Detection Using Peer-Class Generated by Large Language Model [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、マシンラーニングモデルの信頼性とセキュリティを確保するための重要なタスクである。 本稿では,ODPCと呼ばれる新しい手法を提案し,大規模言語モデルを用いてOODピア・セマンティクスのクラスを生成する。 5つのベンチマークデータセットの実験により,提案手法は最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-20T06:04:05Z)
• ID-like Prompt Learning for Few-Shot Out-of-Distribution Detection [47.16254775587534]
  本稿では,CLIP citeDBLP:conf/icml/RadfordKHRGASAM21を用いて,IDライクな外れ値を検出する新しいOOD検出フレームワークを提案する。 強力なCLIPから恩恵を受けるため、モデルのプロンプトを学習するためには、少数のIDサンプルしか必要ありません。 本手法は,様々な実世界の画像データセットにおいて,より優れた数ショット学習性能を実現する。
  論文  参考訳（メタデータ） (2023-11-26T09:06:40Z)
• APP: Adaptive Prototypical Pseudo-Labeling for Few-shot OOD Detection [40.846633965439956]
  本稿では、少数のラベル付きINDデータと大量のラベル付き混合データしか存在しない、数ショットのOOD設定に焦点を当てる。 数発のOOD検出のためのアダプティブ擬似ラベル法(APP)を提案する。
  論文  参考訳（メタデータ） (2023-10-20T09:48:52Z)
• General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。 本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。 提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端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） (2023-07-24T18:50:49Z)

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。