論文の概要: A Multi-dimensional Semantic Surprise Framework Based on Low-Entropy Semantic Manifolds for Fine-Grained Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2510.13093v1
• Date: Wed, 15 Oct 2025 02:26:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.474614
• Title: A Multi-dimensional Semantic Surprise Framework Based on Low-Entropy Semantic Manifolds for Fine-Grained Out-of-Distribution Detection
• Title（参考訳）: 低エントロピー・セマンティック・マニフォールドを用いた細粒度分布検出のための多次元セマンティックサプライズ・フレームワーク
• Authors: Ningkang Peng, Yuzhe Mao, Yuhao Zhang, Linjin Qian, Qianfeng Yu, Yanhui Gu, Yi Chen, Li Kong,
• Abstract要約: 我々は、コアタスクを新しいサンプルのセマンティックサプライズを定量化するものとして定式化する。 次に、サンプルの総サプライズを3つの相補的な次元(整合性、新規性、曖昧性)に分解する普遍的なプローブであるセマンティックサプライズベクトル(SSV)を導入する。 実験により、我々のフレームワークは、挑戦的な第三次タスクに対して新しい最先端(ソータ)を確立するだけでなく、その堅牢な表現は従来のバイナリベンチマーク上でもトップ結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 9.10958906714455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-Distribution (OOD) detection is a cornerstone for the safe deployment of AI systems in the open world. However, existing methods treat OOD detection as a binary classification problem, a cognitive flattening that fails to distinguish between semantically close (Near-OOD) and distant (Far-OOD) unknown risks. This limitation poses a significant safety bottleneck in applications requiring fine-grained risk stratification. To address this, we propose a paradigm shift from a conventional probabilistic view to a principled information-theoretic framework. We formalize the core task as quantifying the Semantic Surprise of a new sample and introduce a novel ternary classification challenge: In-Distribution (ID) vs. Near-OOD vs. Far-OOD. The theoretical foundation of our work is the concept of Low-Entropy Semantic Manifolds, which are explicitly structured to reflect the data's intrinsic semantic hierarchy. To construct these manifolds, we design a Hierarchical Prototypical Network. We then introduce the Semantic Surprise Vector (SSV), a universal probe that decomposes a sample's total surprise into three complementary and interpretable dimensions: conformity, novelty, and ambiguity. To evaluate performance on this new task, we propose the Normalized Semantic Risk (nSR), a cost-sensitive metric. Experiments demonstrate that our framework not only establishes a new state-of-the-art (sota) on the challenging ternary task, but its robust representations also achieve top results on conventional binary benchmarks, reducing the False Positive Rate by over 60% on datasets like LSUN.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドにおけるAIシステムの安全なデプロイの基盤となる。 しかし、既存の手法では、OOD検出を二項分類問題として扱うが、これは意味的に近い(Near-OOD)と遠い(Far-OOD)未知の(Far-OOD)を区別できない認知的平坦化である。 この制限は、きめ細かいリスク層化を必要とするアプリケーションにおいて、重大な安全性のボトルネックとなる。 そこで本研究では,従来の確率論的視点から原則的情報理論フレームワークへのパラダイムシフトを提案する。 我々は、新しいサンプルのセマンティックサプライズを定量化するためのコアタスクを定式化し、新しい3つの分類課題を紹介した: In-Distribution (ID) vs. Near-OOD vs. Far-OOD。 我々の研究の理論的基礎は低エントロピー・セマンティック・マニフォールドの概念であり、これはデータ固有の意味的階層を反映するように明示的に構成されている。 これらの多様体を構築するため、階層型プロトタイプネットワークを設計する。 次に、サンプルの総サプライズを3つの相補的・解釈可能な次元(整合性、新規性、曖昧性)に分解する普遍的なプローブであるセマンティックサプライズベクトル(SSV)を紹介する。 このタスクの性能を評価するため,コスト感受性指標である正規化セマンティック・リスク(NSR)を提案する。 実験により、我々のフレームワークは、挑戦的な第三次タスクに対して新しい最先端(ソータ)を確立するだけでなく、その堅牢な表現が従来のバイナリベンチマークの上位結果も達成し、LSUNのようなデータセット上での偽陽性率を60%以上削減することを示した。

関連論文リスト

• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Advancing Neural Network Verification through Hierarchical Safety Abstract Interpretation [52.626086874715284]
  我々は、安全でない出力の階層構造を検証する抽象的DNN検証と呼ばれる新しい問題定式化を導入する。 出力到達可能な集合に関する抽象的解釈と推論を活用することにより,形式的検証プロセスにおいて,複数の安全性レベルを評価することができる。 我々の貢献には、新しい抽象的安全性の定式化と既存のアプローチとの関係を理論的に探求することが含まれる。
  論文  参考訳（メタデータ） (2025-05-08T13:29:46Z)
• NLP Verification: Towards a General Methodology for Certifying Robustness [9.897538432223714]
  機械学習(ML)は自然言語処理(NLP)の分野で大きな成功を収めている。 これらのシステムが現実世界のアプリケーションにますます統合されるにつれて、安全性と信頼性の確保が主な関心事となっている。 本稿では,幾何学的部分空間の検証と文の意味的意味の相違に言及した,埋め込みギャップの効果を解析するための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2024-03-15T09:43:52Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• STAR Loss: Reducing Semantic Ambiguity in Facial Landmark Detection [80.04000067312428]
  本稿では,意味的あいまいさの特性を利用した自己適応型あいまいさ低減(STAR)の損失を提案する。 意味的あいまいさは異方性予測分布をもたらすことが分かり、予測分布を用いて意味的あいまいさを表現する。 また,分布の異常変化とモデルの初期収束を回避できる2種類の固有値制限法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T10:33:25Z)
• Full-Spectrum Out-of-Distribution Detection [42.98617540431124]
  両シフトタイプを考慮し、フルスペクトルOOD(FS-OOD)検出を導入する。 本稿では,単純な特徴に基づくセマンティックススコア関数であるSEMを提案する。 SEMは現在の最先端の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2022-04-11T17:59:14Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• FAR: A General Framework for Attributional Robustness [42.49606659285249]
  我々は、ロバストな属性を持つモデルの帰属的ロバストネス(FAR)のための新しいフレームワークを定義する。 FARは,既存のトレーニング手法の一般化,制約の少ない定式化であることを示す。 次に、このフレームワークの2つの新しいインスタンス化であるAATとAdvAATを提案し、ロバストな属性と予測の両方を直接最適化する。
  論文  参考訳（メタデータ） (2020-10-14T20:33:00Z)

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。