論文の概要: Logit Mixture Outlier Exposure for Fine-grained Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2509.11892v1
• Date: Mon, 15 Sep 2025 13:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.29824
• Title: Logit Mixture Outlier Exposure for Fine-grained Out-of-Distribution Detection
• Title（参考訳）: 粒径分布検出のためのロジト混合ガス露光
• Authors: Akito Shinohara, Kohei Fukuda, Hiroaki Aizawa,
• Abstract要約: 本稿では,配当データと配当データとを混合したロジット空間における線形手法を提案し,配当検出性能を向上させる。 また,ロジット空間の混合により得られるロジットと,入力空間の混合により生成されるロジットとの整合性も強化する。 実験により,ロジト空間混合法は決定境界付近のモデル出力の急激な変動を減少させることが示された。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to detect out-of-distribution data is essential not only for ensuring robustness against unknown or unexpected input data but also for improving the generalization performance of the model. Among various out-of-distribution detection methods, Outlier Exposure and Mixture Outlier Exposure are promising approaches that enhance out-of-distribution detection performance by exposing the outlier data during training. However, even with these sophisticated techniques, it remains challenging for models to learn the relationships between classes effectively and to distinguish data sampling from in-distribution and out-of-distribution clearly. Therefore, we focus on the logit space, where the properties between class-wise distributions are distinctly separated from those in the input or feature spaces. Specifically, we propose a linear interpolation technique in the logit space that mixes in-distribution and out-of-distribution data to facilitate smoothing logits between classes and improve the out-of-distribution detection performance, particularly for out-of-distribution data that lie close to the in-distribution data. Additionally, we enforce consistency between the logits obtained through mixing in the logit space and those generated via mixing in the input space. Our experiments demonstrate that our logit-space mixing technique reduces the abrupt fluctuations in the model outputs near the decision boundaries, resulting in smoother and more reliable separation between in-distribution and out-of-distribution data. Furthermore, we evaluate the effectiveness of the proposed method on a fine-grained out-of-distribution detection task.
• Abstract（参考訳）: アウト・オブ・ディストリビューションデータを検出する能力は、未知または予期せぬ入力データに対して堅牢性を確保するだけでなく、モデルの一般化性能を向上させるためにも不可欠である。 アウト・オブ・ディストリビューション検出法には,トレーニング中にアウト・オブ・ディストリビューション検出性能を高めるために,アウト・オブ・ディストリビューション検出法として,アウト・オブ・ディストリビューション・エクスポージャーとミックス・オブ・エクスポージャー(Mixture Outlier Exposure)がある。 しかし、これらの高度な技術であっても、モデルがクラス間の関係を効果的に学習し、データサンプリングと分布内および分布外を明確に区別することは依然として困難である。 そこで我々は,クラスワイド分布間の特性を入力空間や特徴空間と明確に分離するロジット空間に着目した。 具体的には,配当データに近接する配当データに対して,配当データと配当データを組み合わせた線形補間手法を提案し,配当データのスムーズ化と配当検出性能の向上を図る。 さらに,ロジット空間の混合により得られるロジットと,入力空間の混合により生成されるロジットとの整合性も強化する。 実験により,ロジット空間混合法は決定境界付近のモデル出力の急激な変動を低減し,分布内および分布外データのスムーズで信頼性の高い分離を行うことを示した。 さらに,提案手法の有効性を,粒度の細かいアウト・オブ・ディストリビューション検出タスクで評価した。

関連論文リスト

• Aleatoric Uncertainty Medical Image Segmentation Estimation via Flow Matching [0.157286095422595]
  医用画像のセグメンテーションにおけるアレタリック不確かさの定量化は、専門家のアノテータが観察する自然変動の反映であるため重要である。 提案手法は, 正確な密度を学習するシミュレーション不要なフローベース生成モデルである条件付きフローマッチングを利用する。
  論文  参考訳（メタデータ） (2025-07-30T06:45:32Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks [0.6906005491572401]
  本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。 提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
  論文  参考訳（メタデータ） (2023-06-19T14:03:27Z)
• Towards In-distribution Compatibility in Out-of-distribution Detection [30.49191281345763]
  本稿では,深層モデルの上位設計と損失関数の両方を適応させることにより,新しい分布外検出法を提案する。 本手法は,最先端の分布検出性能を実現するとともに,分布内精度も向上する。
  論文  参考訳（メタデータ） (2022-08-29T09:06:15Z)
• Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
  我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。 提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
  論文  参考訳（メタデータ） (2022-06-06T17:32:12Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Investigating Shifts in GAN Output-Distributions [5.076419064097734]
  本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。 全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
  論文  参考訳（メタデータ） (2021-12-28T09:16:55Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。