論文の概要: Pseudo-label Induced Subspace Representation Learning for Robust Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2508.03108v1
• Date: Tue, 05 Aug 2025 05:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.799616
• Title: Pseudo-label Induced Subspace Representation Learning for Robust Out-of-Distribution Detection
• Title（参考訳）: 擬似ラベルによるロバストなアウト・オブ・ディストリビューション検出のための部分空間表現学習
• Authors: Tarhib Al Azad, Faizul Rakib Sayem, Shahana Ibrahim,
• Abstract要約: 擬似ラベルによる部分空間表現に基づく新しいOOD検出フレームワークを提案する。 さらに,クロスエントロピーに基づくID分類損失と部分空間距離に基づく正規化損失を統合し,ID-OOD分離性を向上する単純な学習基準を導入する。
• 参考スコア（独自算出の注目度）: 6.5679810906772325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection lies at the heart of robust artificial intelligence (AI), aiming to identify samples from novel distributions beyond the training set. Recent approaches have exploited feature representations as distinguishing signatures for OOD detection. However, most existing methods rely on restrictive assumptions on the feature space that limit the separability between in-distribution (ID) and OOD samples. In this work, we propose a novel OOD detection framework based on a pseudo-label-induced subspace representation, that works under more relaxed and natural assumptions compared to existing feature-based techniques. In addition, we introduce a simple yet effective learning criterion that integrates a cross-entropy-based ID classification loss with a subspace distance-based regularization loss to enhance ID-OOD separability. Extensive experiments validate the effectiveness of our framework.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は堅牢な人工知能(AI)の中心にあり、トレーニングセット以外の新しい分布からサンプルを識別することを目的としている。 近年のアプローチでは、OOD検出のためのシグネチャの区別として、特徴表現を活用している。 しかし、既存のほとんどの手法は、分布内(ID)とOODサンプルの分離性を制限する特徴空間上の制限的な仮定に依存している。 本研究では,従来の特徴に基づく手法と比較して,より緩やかで自然な仮定の下で機能する擬似ラベルによる部分空間表現に基づく新しいOOD検出フレームワークを提案する。 さらに,クロスエントロピーに基づくID分類損失と部分空間距離に基づく正規化損失を統合し,ID-OOD分離性を向上する単純な学習基準を導入する。 大規模な実験により、我々のフレームワークの有効性が検証された。

関連論文リスト

• Enclosing Prototypical Variational Autoencoder for Explainable Out-of-Distribution Detection [0.013888374577155822]
  オートエンコーダを用いたアウト・オブ・ディストリビューション(OOD)検出により,自己説明可能なプロトタイプ変分モデルを拡張した。 変分オートエンコーダを用いて、距離に基づく分類に使用できる有意義な潜在空間を学習する。 単一点に折り畳むことなく、潜伏空間内のコンパクトなID領域を促進する新しい制限損失が導入された。
  論文  参考訳（メタデータ） (2025-06-17T10:38:29Z)
• 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)
• ARES: Auxiliary Range Expansion for Outlier Synthesis [1.7306463705863946]
  本研究では,OOD検出のための新しい手法であるAuxiliary Range Expansion for Outlier Synthesisを提案する。 さまざまなステージがARESで構成され、最終的に価値のあるOODのような仮想インスタンスを生成する。 次に、エネルギースコアに基づく判別器を訓練し、分配内データと外部データとを効果的に分離する。
  論文  参考訳（メタデータ） (2025-01-11T05:44:33Z)
• 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)
• Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
  本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。 MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。 画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-09-22T05:40:25Z)
• Diffusion based Semantic Outlier Generation via Nuisance Awareness for Out-of-Distribution Detection [9.936136347796413]
  アウト・オブ・ディストリビューション(OOD)検出は、最近、合成OODデータセットによるトレーニングを通じて有望な結果を示している。 本稿では, 難解な外乱を生じさせる新しいフレームワークであるセマンティック外乱生成手法(SONA)を提案する。 提案手法はSONAガイダンスを取り入れ,IDサンプルの意味領域とニュアンス領域を分離的に制御する。
  論文  参考訳（メタデータ） (2024-08-27T07:52:44Z)
• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• Beyond AUROC & co. for evaluating out-of-distribution detection performance [50.88341818412508]
  安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。 我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:51:32Z)
• Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features [23.266183020469065]
  本稿では,IDトレーニングサンプルから前景と背景の特徴を密接な予測手法によって切り離す新しいフレームワークを提案する。 これは、様々な既存のOOD検出メソッドとシームレスに組み合わせられる汎用フレームワークである。
  論文  参考訳（メタデータ） (2023-03-15T16:12:14Z)
• Plugin estimators for selective classification with out-of-distribution detection [67.28226919253214]
  現実世界の分類器は、信頼性の低いサンプルの予測を控えることの恩恵を受けることができる。 これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。 OOD検出による選択分類に関する最近の研究は、これらの問題の統一的な研究を議論している。 本稿では,既存の手法を理論的に基礎づけ,有効かつ一般化したSCOD用プラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2023-01-29T07:45:17Z)
• How to Exploit Hyperspherical Embeddings for Out-of-Distribution Detection? [22.519572587827213]
  CIDERは、OOD検出に超球面埋め込みを利用する表現学習フレームワークである。 CIDERは優れたパフォーマンスを確立し、FPR95では19.36%で最新のライバルを上回った。
  論文  参考訳（メタデータ） (2022-03-08T23:44:01Z)
• 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。