論文の概要: Retrieval-Augmented Prompt for OOD Detection

• arxiv url: http://arxiv.org/abs/2508.10556v1
• Date: Thu, 14 Aug 2025 11:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.292852
• Title: Retrieval-Augmented Prompt for OOD Detection
• Title（参考訳）: OOD検出のための検索機能強化プロンプト
• Authors: Ruisong Han, Zongbo Han, Jiahao Zhang, Mingyue Cheng, Changqing Zhang,
• Abstract要約: Out-of-Distribution (OOD) 検出は、ハードウェア内のマシンラーニングモデルの信頼性の高いデプロイに不可欠である。 我々は、検索補助プロンプト(RAP)と呼ばれる新しいOOD検出法を提案する。 RAPは、外部知識を取得することで、事前訓練された視覚言語モデルのプロンプトを強化し、OOD検出のためのセマンティックインスペクションを強化する。 RAPは大規模OOD検出ベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 23.092622473716144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-Distribution (OOD) detection is crucial for the reliable deployment of machine learning models in-the-wild, enabling accurate identification of test samples that differ from the training data distribution. Existing methods rely on auxiliary outlier samples or in-distribution (ID) data to generate outlier information for training, but due to limited outliers and their mismatch with real test OOD samples, they often fail to provide sufficient semantic supervision, leading to suboptimal performance. To address this, we propose a novel OOD detection method called Retrieval-Augmented Prompt (RAP). RAP augments a pre-trained vision-language model's prompts by retrieving external knowledge, offering enhanced semantic supervision for OOD detection. During training, RAP retrieves descriptive words for outliers based on joint similarity with external textual knowledge and uses them to augment the model's OOD prompts. During testing, RAP dynamically updates OOD prompts in real-time based on the encountered OOD samples, enabling the model to rapidly adapt to the test environment. Our extensive experiments demonstrate that RAP achieves state-of-the-art performance on large-scale OOD detection benchmarks. For example, in 1-shot OOD detection on the ImageNet-1k dataset, RAP reduces the average FPR95 by 7.05% and improves the AUROC by 1.71% compared to previous methods. Additionally, comprehensive ablation studies validate the effectiveness of each module and the underlying motivations of our approach.
• Abstract（参考訳）: Out-of-Distribution (OOD) 検出は、トレーニングデータディストリビューションと異なるテストサンプルの正確な識別を可能にするために、機械学習モデルのWildへの信頼性の高いデプロイに不可欠である。 既存の手法では、補助的な外れ値サンプルやID(In-distriion)データに頼ってトレーニングのための外れ値情報を生成するが、実際のOODサンプルとのミスマッチが限定されているため、十分なセマンティックな監視が得られず、最適化性能が低下する。 そこで本研究では,RAP(Retrieval-Augmented Prompt)と呼ばれる新しいOOD検出手法を提案する。 RAPは、外部知識を取得することで、事前訓練された視覚言語モデルのプロンプトを強化し、OOD検出のためのセマンティックインスペクションを強化する。 トレーニング中、RAPは外部テキストの知識との共同類似性に基づいて、アウトリーチのための記述的な単語を検索し、モデルのOODプロンプトを増強するためにそれらを使用する。 テスト中、RAPは遭遇したOODサンプルに基づいて、OODプロンプトをリアルタイムで動的に更新し、モデルがテスト環境に迅速に適応できるようにする。 我々は,大規模OOD検出ベンチマークにおいて,RAPが最先端の性能を達成することを実証した。 例えば、ImageNet-1kデータセット上の1ショットのOOD検出では、RAPは平均的なFPR95を7.05%削減し、AUROCを1.71%改善している。 さらに、包括的アブレーション研究は、各モジュールの有効性と、我々のアプローチの根底にあるモチベーションを検証する。

関連論文リスト

• OODD: Test-time Out-of-Distribution Detection with Dynamic Dictionary [10.19006278808466]
  ディープラーニングモデルでは、アウト・オブ・ディストリビューション(OOD)検出が依然として難しい。 我々は,OOD辞書を微調整なしで動的に保守・更新する新しいテスト時間OOD検出手法OODDを提案する。 我々は,検出性能を維持しながら3倍の高速化を実現する,KNNベースのOOD検出フレームワークの最適化版を提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:41:56Z)
• Enhancing OOD Detection Using Latent Diffusion [3.4899193297791054]
  Out-of-Distribution(OOD)検出は、現実のシナリオにおけるマシンラーニングモデルの信頼性の高いデプロイに不可欠である。 近年の研究では、安定拡散のような生成モデルを用いて、画素空間の外部値データを合成する方法が検討されている。 我々は,潜伏空間内でOOD学習データを生成する新しいフレームワークであるOutlier-Aware Learning (OAL)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:01:43Z)
• Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection [5.019613806273252]
  Iterative Deployment Exposure (IDE)は、アウト・オブ・ディストリビューション(OOD)検出のための、新しくより現実的な設定である。 CSOは、マハラノビス距離と最寄りのアプローチを組み合わせた新しいU-OODスコアリング関数を使用している。 提案手法は, 医用画像の3つのモダリティに対して, 強いベースラインで大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:57:34Z)
• 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)
• AUTO: Adaptive Outlier Optimization for Test-Time OOD Detection [79.51071170042972]
  Out-of-Distribution (OOD) 検出は、任意のトレーニングインディストリビューション(ID)クラスに該当しないテストサンプルを検出することを目的としている。 データ安全性とプライバシにより、さまざまなシナリオに対して、事前にタスク固有の外れ値の収集が不可能になる。 テスト中にラベルのないデータストリームから実際のOODデータを利用することができる。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• 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)
• Towards Realistic Out-of-Distribution Detection: A Novel Evaluation Framework for Improving Generalization in OOD Detection [14.541761912174799]
  本稿では,OOD(Out-of-Distribution)検出のための新しい評価フレームワークを提案する。 より現実的な設定で機械学習モデルのパフォーマンスを評価することを目的としている。
  論文  参考訳（メタデータ） (2022-11-20T07:30:15Z)
• Contrastive Training for Improved Out-of-Distribution Detection [36.61315534166451]
  本稿では,OOD検出性能向上のためのコントラストトレーニングを提案する。 コントラストトレーニングは,多くのベンチマークにおいてOOD検出性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2020-07-10T18:40:37Z)
• 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。