Fugu-MT 論文翻訳(概要): Multi-Method Ensemble for Out-of-Distribution Detection

論文の概要: Multi-Method Ensemble for Out-of-Distribution Detection

arxiv url: http://arxiv.org/abs/2508.21463v1
Date: Fri, 29 Aug 2025 09:47:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-01 19:45:10.997149
Title: Multi-Method Ensemble for Out-of-Distribution Detection
Title（参考訳）: アウト・オブ・ディストリビューション検出のためのマルチメソッドアンサンブル
Authors: Lucas Rakotoarivony,
Abstract要約: 本研究では,最先端の特徴トランケーションとスコアリング関数を効果的に組み合わせることができることを示す。我々は、最先端のOOD検出器を1つのより効果的なスコア関数に統一するMulti-Method Ensemble(MME)スコアを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detecting out-of-distribution (OOD) samples is essential for neural networks operating in open-world settings, particularly in safety-critical applications. Existing methods have improved OOD detection by leveraging two main techniques: feature truncation, which increases the separation between in-distribution (ID) and OOD samples, and scoring functions, which assign scores to distinguish between ID and OOD data. However, most approaches either focus on a single family of techniques or evaluate their effectiveness on a specific type of OOD dataset, overlooking the potential of combining multiple existing solutions. Motivated by this observation, we theoretically and empirically demonstrate that state-of-the-art feature truncation and scoring functions can be effectively combined. Moreover, we show that aggregating multiple scoring functions enhances robustness against various types of OOD samples. Based on these insights, we propose the Multi-Method Ensemble (MME) score, which unifies state-of-the-art OOD detectors into a single, more effective scoring function. Extensive experiments on both large-scale and small-scale benchmarks, covering near-OOD and far-OOD scenarios, show that MME significantly outperforms recent state-of-the-art methods across all benchmarks. Notably, using the BiT model, our method achieves an average FPR95 of 27.57% on the challenging ImageNet-1K benchmark, improving performance by 6% over the best existing baseline.
Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)サンプルの検出は、特に安全クリティカルなアプリケーションにおいて、オープンワールド環境で動作しているニューラルネットワークにとって不可欠である。既存の手法では,IDとOODの分離を増大させる特徴トランケーションと,IDとOODデータの区別にスコアを割り当てるスコア機能という,2つの主要な手法を活用してOOD検出を改善している。しかし、ほとんどのアプローチは、単一のテクニックのファミリーに焦点を当てるか、特定のタイプのOODデータセットでの有効性を評価し、既存のソリューションを組み合わせる可能性を見越している。本研究は, 理論的, 実験的に, 最先端の特徴トランケーションとスコアリング関数を効果的に結合できることを実証する。さらに,複数のスコアリング関数を集約することで,様々な種類のOODサンプルに対するロバスト性が向上することを示す。これらの知見に基づいて,最先端OOD検出器をより効果的な1つのスコア関数に統一するMulti-Method Ensemble(MME)スコアを提案する。大規模および小規模のベンチマークの広範な実験は、近OODと遠OODのシナリオをカバーし、MMEがすべてのベンチマークで最新の最先端の手法を著しく上回っていることを示している。特に,BiTモデルを用いて,ImageNet-1Kベンチマークにおいて平均27.57%のFPR95を達成し,既存の最良ベースラインよりも6%向上した。

関連論文リスト

Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドアプリケーションにおけるディープラーニングモデルの信頼性を保証するために重要である。 LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
論文参考訳（メタデータ） (2025-10-23T02:16:45Z)
Feature Bank Enhancement for Distance-based Out-of-Distribution Detection [14.383098320129225]
ディープラーニングアプリケーションの信頼性を確保するためには,アウト・オブ・ディストリビューション検出が重要である。ディープラーニングはデータ機能のバイアスのある分布につながることが多く、極端な機能は避けられない。本稿では,データセットから統計特性を用いて極端な特徴を識別・制約する簡易かつ効果的な特徴バンク拡張法(FBE)を提案する。
論文参考訳（メタデータ） (2025-07-11T13:32:26Z)
CADRef: Robust Out-of-Distribution Detection via Class-Aware Decoupled Relative Feature Leveraging [5.356623181327855]
CARef(Class-Aware Relative Feature-based Method)とCADRef(Class-Aware Decoupled Relative Feature-based Method)を提案する。両手法は, 最先端手法と比較してOOD検出の有効性とロバスト性を示した。
論文参考訳（メタデータ） (2025-03-01T03:23:10Z)
Harnessing Large Language and Vision-Language Models for Robust Out-of-Distribution Detection [11.277049921075026]
Out-of-distribution (OOD) 検出はゼロショットアプローチで大幅に進歩した。本稿では,Far-OODシナリオとNear-OODシナリオの両方において,ゼロショットOOD検出性能を向上させる新しい手法を提案する。本稿では,提案フレームワークを目標分布に適合させるために,新しい数発のプロンプトチューニングと視覚的プロンプトチューニングを導入する。
論文参考訳（メタデータ） (2025-01-09T13:36:37Z)
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)
Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文参考訳（メタデータ） (2024-09-05T02:58:13Z)
MultiOOD: Scaling Out-of-Distribution Detection for Multiple Modalities [11.884004583641325]
我々は,多種多様なデータセットサイズと様々なモダリティの組み合わせを特徴とする,第一種ベンチマークであるMultiOODを紹介する。我々はまず,既存のOOD検出アルゴリズムをMultiOOD上で評価した。本稿では,近隣クラスからの情報を活用することで,より広い特徴空間を探索する新しいアウトリー合成手法NP-Mixを提案する。
論文参考訳（メタデータ） (2024-05-27T17:59:02Z)
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)
ID-like Prompt Learning for Few-Shot Out-of-Distribution Detection [47.16254775587534]
本稿では,CLIP citeDBLP:conf/icml/RadfordKHRGASAM21を用いて,IDライクな外れ値を検出する新しいOOD検出フレームワークを提案する。強力なCLIPから恩恵を受けるため、モデルのプロンプトを学習するためには、少数のIDサンプルしか必要ありません。本手法は,様々な実世界の画像データセットにおいて,より優れた数ショット学習性能を実現する。
論文参考訳（メタデータ） (2023-11-26T09:06:40Z)
From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文参考訳（メタデータ） (2023-08-20T11:56:25Z)
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)
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)
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。