論文の概要: Distributional Uncertainty for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2507.18106v1
• Date: Thu, 24 Jul 2025 05:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.019143
• Title: Distributional Uncertainty for Out-of-Distribution Detection
• Title（参考訳）: アウト・オブ・ディストリビューション検出のための分布不確かさ
• Authors: JinYoung Kim, DaeUng Jo, Kimin Yun, Jeonghyo Song, Youngjoon Yoo,
• Abstract要約: 本稿では,分散不確実性を共同でモデル化し,自由エネルギーを用いたOoD領域と非分類領域を同定する枠組みを提案する。 我々の手法を残留予測分岐(RPL)フレームワークと統合することにより、提案手法はポストホックエネルギー閾値を超えることができる。 提案手法の有効性を,魚の巣,道路異常,セグメンツ・ミー・ユー・カーンなどの実世界のベンチマークで検証した。
• 参考スコア（独自算出の注目度）: 10.100430371132463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating uncertainty from deep neural networks is a widely used approach for detecting out-of-distribution (OoD) samples, which typically exhibit high predictive uncertainty. However, conventional methods such as Monte Carlo (MC) Dropout often focus solely on either model or data uncertainty, failing to align with the semantic objective of OoD detection. To address this, we propose the Free-Energy Posterior Network, a novel framework that jointly models distributional uncertainty and identifying OoD and misclassified regions using free energy. Our method introduces two key contributions: (1) a free-energy-based density estimator parameterized by a Beta distribution, which enables fine-grained uncertainty estimation near ambiguous or unseen regions; and (2) a loss integrated within a posterior network, allowing direct uncertainty estimation from learned parameters without requiring stochastic sampling. By integrating our approach with the residual prediction branch (RPL) framework, the proposed method goes beyond post-hoc energy thresholding and enables the network to learn OoD regions by leveraging the variance of the Beta distribution, resulting in a semantically meaningful and computationally efficient solution for uncertainty-aware segmentation. We validate the effectiveness of our method on challenging real-world benchmarks, including Fishyscapes, RoadAnomaly, and Segment-Me-If-You-Can.
• Abstract（参考訳）: ディープニューラルネットワークからの不確実性の推定は、一般的に高い予測の不確実性を示すOoD(out-of-distriion)サンプルを検出するために広く用いられるアプローチである。 しかし、モンテカルロ(MC)ドロップアウトのような従来の手法は、OoD検出のセマンティックな目的と一致しないため、モデルまたはデータの不確実性にのみ焦点を当てることが多い。 そこで我々は,分散不確実性を共同でモデル化し,自由エネルギーを用いてOoDと誤分類領域を同定する新しいフレームワークであるFree-Energy Posterior Networkを提案する。 提案手法では,(1)ベータ分布でパラメータ化された自由エネルギーベース密度推定器を用いて,あいまいな領域や見えない領域の近くできめ細かな不確かさを推定し,(2)後方ネットワークに組み込まれて,統計的サンプリングを必要とせずに学習パラメータから直接不確かさを推定する。 提案手法は, 残差予測分岐(RPL)フレームワークと統合することにより, ポストホックエネルギー閾値を越え, ベータ分布の分散を利用してOoD領域の学習を可能にする。 提案手法の有効性を,魚の巣,道路異常,セグメンツ・ミー・ユー・カーンなどの実世界のベンチマークで検証した。

関連論文リスト

• Probabilistic Contrastive Learning with Explicit Concentration on the Hypersphere [3.572499139455308]
  本稿では,球面空間に表現を埋め込むことにより,不確実性を比較学習に取り入れる新たな視点を提案する。 我々は、濃度パラメータであるカッパを直接解釈可能な尺度として利用し、不確実性を明示的に定量化する。
  論文  参考訳（メタデータ） (2024-05-26T07:08:13Z)
• Combining Statistical Depth and Fermat Distance for Uncertainty Quantification [3.3975558777609915]
  我々は、Fermat Distanceと組み合わせたLens Depth'(LD)という統計的概念を用いて、ニューラルネットワークの予測における領域外不確実性を測定する。 提案手法は,おもちゃのデータセットに対して優れた定性的な結果を与えるとともに,標準的なディープラーニングデータセットに対して,競合的あるいはより良い不確実性評価を行うことができる。
  論文  参考訳（メタデータ） (2024-04-12T13:54:21Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Fine-grained Uncertainty Modeling in Neural Networks [0.0]
  本稿では,ニューラルネットワークにおける分布外点検出のための新しい手法を提案する。 我々の手法は、NNの過度な判断を正し、外れ点を検知し、上位2つの予測の間で重要な点が不確実であるときに「私は知らない」と言うことを学習する。 副作用として, 本手法は, 追加訓練を必要とせず, 敵の攻撃を防ぐのに有効である。
  論文  参考訳（メタデータ） (2020-02-11T05:06:25Z)

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。