論文の概要: Generalized Few-Shot Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2508.05732v1
• Date: Thu, 07 Aug 2025 17:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.964248
• Title: Generalized Few-Shot Out-of-Distribution Detection
• Title（参考訳）: 一般化Few-Shotout-of-Distribution Detection
• Authors: Pinxuan Li, Bing Cao, Changqing Zhang, Qinghua Hu,
• Abstract要約: 実用的なデプロイメントのための機械学習において、OOD(Out-of-Distribution)検出が重要な研究方向として現れている。 既存のFew-shot OOD検出手法の多くは、オープンワールドにおける一般化能力の不足に悩まされている。 補助的汎用知識モデル(GKM)を用いたOOD検出モデルの一般知識を高める汎用Few-shot OOD検出(GOOD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 46.504772732456196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot Out-of-Distribution (OOD) detection has emerged as a critical research direction in machine learning for practical deployment. Most existing Few-shot OOD detection methods suffer from insufficient generalization capability for the open world. Due to the few-shot learning paradigm, the OOD detection ability is often overfit to the limited training data itself, thus degrading the performance on generalized data and performing inconsistently across different scenarios. To address this challenge, we proposed a Generalized Few-shot OOD Detection (GOOD) framework, which empowers the general knowledge of the OOD detection model with an auxiliary General Knowledge Model (GKM), instead of directly learning from few-shot data. We proceed to reveal the few-shot OOD detection from a generalization perspective and theoretically derive the Generality-Specificity balance (GS-balance) for OOD detection, which provably reduces the upper bound of generalization error with a general knowledge model. Accordingly, we propose a Knowledge Dynamic Embedding (KDE) mechanism to adaptively modulate the guidance of general knowledge. KDE dynamically aligns the output distributions of the OOD detection model to the general knowledge model based on the Generalized Belief (G-Belief) of GKM, thereby boosting the GS-balance. Experiments on real-world OOD benchmarks demonstrate our superiority. Codes will be available.
• Abstract（参考訳）: 実用的なデプロイメントのための機械学習において、OOD(Out-of-Distribution)検出が重要な研究方向として現れている。 既存のFew-shot OOD検出手法の多くは、オープンワールドにおける一般化能力の不足に悩まされている。 数発の学習パラダイムのため、OOD検出能力は限られたトレーニングデータ自体に過度に適合することが多く、汎用データのパフォーマンスを劣化させ、異なるシナリオで不整合に実行する。 この課題に対処するため、我々は、数ショットデータから直接学習する代わりに、補助的な一般知識モデル(GKM)を用いて、OOD検出モデルの一般知識を高める汎用Few-shot OOD検出(GOOD)フレームワークを提案した。 我々は、一般化の観点から数発のOOD検出を明らかにし、OOD検出のための一般性・特異性バランス(GSバランス)を理論的に導出し、一般知識モデルによる一般化誤差の上限を確実に減少させる。 そこで本研究では,一般知識の指導を適応的に調整する知識動的埋め込み(KDE)機構を提案する。 KDEは、GKMの一般化信念(G-Belief)に基づいて、OOD検出モデルの出力分布を一般知識モデルに動的に整合させ、GSバランスを高める。 実世界のOODベンチマークの実験は、私たちの優位性を示しています。 コードは利用可能。

関連論文リスト

• The Best of Both Worlds: On the Dilemma of Out-of-distribution Detection [75.65876949930258]
  アウト・オブ・ディストリビューション(OOD)検出はモデル信頼性に不可欠である。 我々は,OODの一般化能力を秘かに犠牲にすることで,最先端手法のOOD検出性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-10-12T07:02:04Z)
• A Survey on Evaluation of Out-of-Distribution Generalization [41.39827887375374]
  アウト・オブ・ディストリビューション(OOD)の一般化は複雑で基本的な問題である。 本報告は,OOD評価の総合的な評価を行うための最初の試みである。 我々は,OOD性能試験,OOD性能予測,OOD固有の特性評価という3つのパラダイムに分類した。
  論文  参考訳（メタデータ） (2024-03-04T09:30:35Z)
• 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)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• Pseudo-OOD training for robust language models [78.15712542481859]
  OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。 In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。 我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
  論文  参考訳（メタデータ） (2022-10-17T14:32:02Z)
• Improved OOD Generalization via Adversarial Training and Pre-training [49.08683910076778]
  本稿では,入力摂動に頑健なモデルがOODデータによく一般化されることを理論的に示す。 従来, 対人訓練が入力難聴の改善に有効であったことが示唆され, 対人訓練モデルがOODデータに過剰なリスクを集中していることが示唆された。
  論文  参考訳（メタデータ） (2021-05-24T08:06:35Z)
• ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
  インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。 ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-26T20:58:05Z)

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。