論文の概要: Out-of-Distribution Detection using Counterfactual Distance

• arxiv url: http://arxiv.org/abs/2508.10148v1
• Date: Wed, 13 Aug 2025 19:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.096972
• Title: Out-of-Distribution Detection using Counterfactual Distance
• Title（参考訳）: 実測距離を用いたアウト・オブ・ディストリビューション検出
• Authors: Maria Stoica, Francesco Leofante, Alessio Lomuscio,
• Abstract要約: 提案手法は,提案手法を用いて決定境界までの距離を推定するポストホックなOOD検出手法である。 提案手法はCIFAR-10における技術状況と一致し,93.50%のAUROC,25.80%のFPR95を達成できた。 CIFAR-100では97.05%のAUROCと13.79%のFPR95、ImageNet-200では92.55%のAUROCと33.55%のFPR95を4つのOODデータセットで比較した。
• 参考スコア（独自算出の注目度）: 17.672102136287887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and explainable out-of-distribution (OOD) detection is required to use machine learning systems safely. Previous work has shown that feature distance to decision boundaries can be used to identify OOD data effectively. In this paper, we build on this intuition and propose a post-hoc OOD detection method that, given an input, calculates the distance to decision boundaries by leveraging counterfactual explanations. Since computing explanations can be expensive for large architectures, we also propose strategies to improve scalability by computing counterfactuals directly in embedding space. Crucially, as the method employs counterfactual explanations, we can seamlessly use them to help interpret the results of our detector. We show that our method is in line with the state of the art on CIFAR-10, achieving 93.50% AUROC and 25.80% FPR95. Our method outperforms these methods on CIFAR-100 with 97.05% AUROC and 13.79% FPR95 and on ImageNet-200 with 92.55% AUROC and 33.55% FPR95 across four OOD datasets
• Abstract（参考訳）: 機械学習システムを安全に使用するには、正確な、説明可能なアウト・オブ・ディストリビューション(OOD)検出が必要である。 以前の研究では、OODデータを効果的に識別するために、決定境界までの機能距離が利用できることが示されている。 本稿では,この直感に基づいて,提案手法を提案する。 大規模アーキテクチャでは計算説明が高価であるため, 直接埋め込み空間において, 対物計算によるスケーラビリティ向上戦略も提案する。 重要なことに、この手法は反実的な説明を採用するので、検出結果の解釈にシームレスに利用できます。 提案手法はCIFAR-10の最先端技術と一致し,93.50%のAUROCと25.80%のFPR95を達成した。 CIFAR-100では97.05% AUROCと13.79% FPR95、ImageNet-200では92.55% AUROCと33.55% FPR95を4つのOODデータセットで比較した。

関連論文リスト

• Detecting OOD Samples via Optimal Transport Scoring Function [5.093257685701887]
  本稿では,OOD検出のための最適輸送理論OTODに基づく新しいスコア関数を提案する。 我々は,各試験試料のOODスコアを計算するために,特徴量,ロジット,ソフトマックス確率空間からの情報を利用する。 実験の結果,この情報を組み合わせることで,OTODの性能を一定のマージンで向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-02-22T06:37:18Z)
• Look Around and Find Out: OOD Detection with Relative Angles [24.369626931550794]
  本稿では, 分布内構造に対して計算されるOOD検出のための新しい角度に基づく計量法を提案する。 提案手法は, CIFAR-10 と ImageNet ベンチマークの最先端性能を実現し, FPR95 を 0.88% と 7.74% 削減した。
  論文  参考訳（メタデータ） (2024-10-06T15:36:07Z)
• How to Overcome Curse-of-Dimensionality for Out-of-Distribution Detection? [29.668859994222238]
  OOD検出のための新しいフレームワークSubspace Nearest Neighbor (SNN)を提案する。 トレーニングにおいて,本手法は次元の最も関連性の高い部分集合を利用してモデルとその特徴表現を正規化する。 現在の最良の距離ベースの手法と比較して、SNNはCIFAR-100ベンチマークで平均FPR95を15.96%削減している。
  論文  参考訳（メタデータ） (2023-12-22T06:04:09Z)
• Fast Decision Boundary based Out-of-Distribution Detector [7.04686607977352]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの安全なデプロイに不可欠である。 既存の特徴空間法は有効であるが、しばしば計算上のオーバーヘッドを生じさせる。 補助モデルを用いない計算効率の良いOOD検出器を提案する。
  論文  参考訳（メタデータ） (2023-12-15T19:50:32Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
  本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。 提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-03-07T18:28:39Z)
• No True State-of-the-Art? OOD Detection Methods are Inconsistent across Datasets [69.725266027309]
  アウト・オブ・ディストリビューション検出は、信頼できるMLシステムの重要なコンポーネントである。 本研究では,これらの手法が16対の標準セット上でのOOD検出よりも本質的に優れていることを示す。 また、ある(ID, OOD)ペアにおいて他の(ID, OOD)ペアよりも優れる手法は、低データ方式ではそうしない可能性があることを示す。
  論文  参考訳（メタデータ） (2021-09-12T16:35:00Z)
• Probabilistic Trust Intervals for Out of Distribution Detection [8.35564578781252]
  本稿では,従来のパラメータを変更することなく,事前学習ネットワークにおけるOOD検出を向上する手法を提案する。 提案手法は,各ネットワーク重みに対する確率的信頼区間を定義し,分布内データを用いて決定する。 我々は,MNIST,Fashion-MNIST,CIFAR-10,CIFAR-100,CIFAR-10-Cについて検討した。
  論文  参考訳（メタデータ） (2021-02-02T06:23:04Z)
• 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。