論文の概要: Frustratingly Easy Feature Reconstruction for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2509.06988v1
• Date: Tue, 02 Sep 2025 13:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 16:45:32.004562
• Title: Frustratingly Easy Feature Reconstruction 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フラストレーションやすい特徴再構成
• Authors: Yingsheng Wang, Shuo Lu, Jian Liang, Aihua Zheng, Ran He,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、モデルがトレーニングカテゴリ外のデータを識別するのに役立つ。 機能ベースのポストホックメソッドは、ネットワークパラメータを変更することなく、機能空間におけるデータ差を評価することでこの問題に対処するが、トレーニングデータへのアクセスを必要とすることが多い。 本稿では,部分空間投影の観点から,特徴再構成(ClaFR)と呼ばれる簡単なポストホック法を提案する。
• 参考スコア（独自算出の注目度）: 39.00123727894414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection helps models identify data outside the training categories, crucial for security applications. While feature-based post-hoc methods address this by evaluating data differences in the feature space without changing network parameters, they often require access to training data, which may not be suitable for some data privacy scenarios. This may not be suitable in scenarios where data privacy protection is a concern. In this paper, we propose a simple yet effective post-hoc method, termed Classifier-based Feature Reconstruction (ClaFR), from the perspective of subspace projection. It first performs an orthogonal decomposition of the classifier's weights to extract the class-known subspace, then maps the original data features into this subspace to obtain new data representations. Subsequently, the OOD score is determined by calculating the feature reconstruction error of the data within the subspace. Compared to existing OOD detection algorithms, our method does not require access to training data while achieving leading performance on multiple OOD benchmarks. Our code is released at https://github.com/Aie0923/ClaFR.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、モデルがトレーニングカテゴリ外のデータを識別するのに役立つ。 機能ベースのポストホックメソッドは、ネットワークパラメータを変更することなく、機能空間におけるデータ差を評価することで、この問題に対処するが、トレーニングデータへのアクセスを必要とすることが多い。 これは、データプライバシ保護が懸念されるシナリオには適さないかもしれない。 本稿では,部分空間投影の観点から,分類器に基づく特徴再構成(ClaFR)と呼ばれる単純なポストホック法を提案する。 まず分類器の重みを直交分解してクラス既知の部分空間を抽出し、次に元のデータ特徴をこの部分空間にマッピングして新しいデータ表現を得る。 その後、サブ空間内のデータの特徴再構成誤差を算出してOODスコアを決定する。 既存のOOD検出アルゴリズムと比較して,本手法は複数のOODベンチマークにおいて先行性能を達成しつつ,トレーニングデータへのアクセスを必要としない。 私たちのコードはhttps://github.com/Aie0923/ClaFRで公開されています。

関連論文リスト

• Improving Out-of-Distribution Detection via Dynamic Covariance Calibration [12.001290283557466]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの信頼性に不可欠である。 我々は, 従来の形状を動的に調整することにより, 分散されていない試料の影響を補正することができると論じる。 提案手法は, 各種モデル間のOOD検出を著しく向上させる。
  論文  参考訳（メタデータ） (2025-06-11T05:05:26Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
  LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
  論文  参考訳（メタデータ） (2023-08-24T06:12:41Z)
• READ: Aggregating Reconstruction Error into Out-of-distribution Detection [5.069442437365223]
  ディープニューラルネットワークは異常なデータに対する過信であることが知られている。 本稿では,READ(Reconstruction Error Aggregated Detector)を提案する。 本手法は,従来のOOD検出アルゴリズムと比較して,FPR@95TPRの平均値を最大9.8%削減する。
  論文  参考訳（メタデータ） (2022-06-15T11:30:41Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。