論文の概要: M3OOD: Automatic Selection of Multimodal OOD Detectors
- arxiv url: http://arxiv.org/abs/2508.11936v1
- Date: Sat, 16 Aug 2025 06:39:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.466167
- Title: M3OOD: Automatic Selection of Multimodal OOD Detectors
- Title（参考訳）: M3OOD:マルチモーダルOOD検出器の自動選択
- Authors: Yuehan Qin, Li Li, Defu Cao, Tiankai Yang, Yue Zhao,
- Abstract要約: マルチモーダル環境でのOOD検出のためのメタラーニングベースのフレームワークであるM3OODを紹介する。
M3OODは、計算オーバーヘッドを最小限に抑え、12のテストシナリオで10の競争ベースラインを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 10.32050362638154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-distribution (OOD) robustness is a critical challenge for modern machine learning systems, particularly as they increasingly operate in multimodal settings involving inputs like video, audio, and sensor data. Currently, many OOD detection methods have been proposed, each with different designs targeting various distribution shifts. A single OOD detector may not prevail across all the scenarios; therefore, how can we automatically select an ideal OOD detection model for different distribution shifts? Due to the inherent unsupervised nature of the OOD detection task, it is difficult to predict model performance and find a universally Best model. Also, systematically comparing models on the new unseen data is costly or even impractical. To address this challenge, we introduce M3OOD, a meta-learning-based framework for OOD detector selection in multimodal settings. Meta learning offers a solution by learning from historical model behaviors, enabling rapid adaptation to new data distribution shifts with minimal supervision. Our approach combines multimodal embeddings with handcrafted meta-features that capture distributional and cross-modal characteristics to represent datasets. By leveraging historical performance across diverse multimodal benchmarks, M3OOD can recommend suitable detectors for a new data distribution shift. Experimental evaluation demonstrates that M3OOD consistently outperforms 10 competitive baselines across 12 test scenarios with minimal computational overhead.
- Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)の堅牢性は、ビデオ、オーディオ、センサーデータなどの入力を含むマルチモーダル設定でますます運用されるため、現代の機械学習システムにとって重要な課題である。
現在,多くのOOD検出手法が提案されている。
一つのOOD検出器がすべてのシナリオで普及しない可能性があるため、分散シフトの異なる理想的なOOD検出モデルをどうやって自動的に選択できるのか?
OOD検出タスクの本質的な教師なしの性質のため、モデル性能を予測し、普遍的に最良のモデルを見つけることは困難である。
また、新しい目に見えないデータのモデルを体系的に比較するのは、コストがかかるか、あるいは実用的ではない。
この課題に対処するため,マルチモーダル環境でのOOD検出のためのメタラーニングベースのフレームワークであるM3OODを紹介した。
メタ学習は、過去のモデル行動から学び、最小限の監督で新しいデータ分散シフトへの迅速な適応を可能にするソリューションを提供する。
提案手法は,マルチモーダル埋め込みと手作りのメタ機能を組み合わせることで,データセットを表現するために分布特性とクロスモーダル特性をキャプチャする。
様々なマルチモーダルベンチマークの履歴性能を活用することで、M3OODは新しいデータ分散シフトに適した検出器を推奨できる。
実験により、M3OODは計算オーバーヘッドが最小限である12のテストシナリオで10の競争ベースラインを一貫して上回っていることが示された。
関連論文リスト
- Extremely Simple Multimodal Outlier Synthesis for Out-of-Distribution Detection and Segmentation [7.827311520283545]
アウト・オブ・ディストリビューション(OOD)の検出とセグメンテーションは、自律運転やロボット支援手術のような安全クリティカルなアプリケーションに機械学習モデルをデプロイするために重要である。
本稿では,理論的支援を伴うマルチモーダル・アウトリア合成の極めて単純かつ高速な手法であるFeature Mixingを提案する。
我々は,OODセグメンテーションのための新しいマルチモーダルデータセットであるCARLA-OODを紹介した。
論文 参考訳（メタデータ） (2025-05-22T17:54:30Z) - DPU: Dynamic Prototype Updating for Multimodal Out-of-Distribution Detection [10.834698906236405]
機械学習モデルの堅牢性を保証するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
マルチモーダルモデルの最近の進歩は、検出性能を高めるために複数のモダリティを活用する可能性を示している。
マルチモーダルOOD検出のための新しいプラグイン・アンド・プレイフレームワークであるDynamic Prototype Updating (DPU)を提案する。
論文 参考訳（メタデータ） (2024-11-12T22:43:16Z) - MetaOOD: Automatic Selection of OOD Detection Models [11.828994403048348]
我々はメタラーニングを利用してOOD検出モデルを自動的に選択する最初のゼロショット・アン教師なしフレームワークであるMetaOODを紹介した。
メタ学習のアプローチとして、MetaOODは、さまざまなベンチマークOOD検出データセットにまたがって、既存のメソッドの過去のパフォーマンスデータを活用する。
私たちはMetaOODが既存のメソッドを著しく上回り、限界時間のオーバーヘッドしか生じないことを示した。
論文 参考訳（メタデータ） (2024-10-04T01:36:19Z) - Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。
従来、教師なし手法はOOD検出に深い生成モデルを用いていた。
本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
論文 参考訳（メタデータ） (2024-05-20T08:54:03Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - 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) - 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) - Are Sample-Efficient NLP Models More Robust? [90.54786862811183]
サンプル効率(所定のID精度に到達するために必要なデータ量)とロバスト性(OOD評価モデルの評価方法)の関係について検討する。
高いサンプル効率は、いくつかのモデリング介入やタスクにおいて、より平均的なOODロバスト性にのみ相関するが、それ以外は相関しない。
これらの結果から,サンプル効率向上のための汎用手法は,データセットとタスクに依存した汎用的なOODロバスト性向上をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-12T17:54:59Z)
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。