論文の概要: Dissecting Mahalanobis: How Feature Geometry and Normalization Shape OOD Detection

• arxiv url: http://arxiv.org/abs/2510.15202v2
• Date: Mon, 20 Oct 2025 19:35:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:11.534764
• Title: Dissecting Mahalanobis: How Feature Geometry and Normalization Shape OOD Detection
• Title（参考訳）: マハラノビスの分離 : 特徴幾何と正規化形状OOD検出の方法
• Authors: Denis Janiak, Jakub Binkowski, Tomasz Kajdanowicz,
• Abstract要約: ディープラーニングモデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々の研究は、マハラノビスに基づく手法は普遍的に信頼性がないことを示している。 本稿では,最近マハラノビスを用いたOOD検出に適用された標準$ell$正規化を一般化する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.2234540598874672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is critical for the reliable deployment of deep learning models. hile Mahalanobis distance methods are widely used, the impact of representation geometry and normalization on their performance is not fully understood, which may limit their downstream application. To address this gap, we conducted a comprehensive empirical study across diverse image foundation models, datasets, and distance normalization schemes. First, our analysis shows that Mahalanobis-based methods aren't universally reliable. Second, we define the ideal geometry for data representations and demonstrate that spectral and intrinsic-dimensionality metrics can accurately predict a model's OOD performance. Finally, we analyze how normalization impacts OOD performance. Building upon these studies, we propose radially scaled $\ell_2$ normalization, a method that generalizes the standard $\ell_2$ normalization recently applied to Mahalanobis-based OOD detection. Our approach introduces a tunable parameter to directly control the radial geometry of the feature space, systematically contracting or expanding representations to significantly improve OOD detection performance. By bridging the gap between representation geometry, normalization, and OOD performance, our findings offer new insights into the design of more effective and reliable deep learning models.
• Abstract（参考訳）: ディープラーニングモデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 ハイレ・マハラノビス距離法は広く使われており、表現幾何学と正規化がそれらの性能に与える影響は十分に理解されていないため、下流での応用が制限される可能性がある。 このギャップに対処するため、さまざまな画像基盤モデル、データセット、距離正規化スキームを網羅した総合的研究を行った。 まず、マハラノビスに基づく手法は普遍的に信頼性がないことを示す。 第2に、データ表現の理想的な幾何学を定義し、スペクトルと固有次元のメトリクスがモデルのOOD性能を正確に予測できることを実証する。 最後に、正規化がOODパフォーマンスに与える影響を分析する。 これらの研究に基づいて,Mahalanobis による OOD 検出に適用された標準 $\ell_2$ 正規化を一般化する手法である $\ell_2$ 正規化法を提案する。 提案手法では,OOD検出性能を大幅に向上させるために,特徴空間の放射状形状を直接制御し,体系的に縮小あるいは拡張するパラメータを導入する。 表現幾何学,正規化,OOD性能のギャップを埋めることで,より効果的で信頼性の高いディープラーニングモデルの設計に関する新たな知見を提供する。

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)
• Mahalanobis++: Improving OOD Detection via Feature Normalization [36.56346240815833]
  ell$-normalizationは従来のマハラノビス距離に基づくアプローチを大幅に改善することを示す。 また、$ell$-normalizationは通常の分散データの前提とよく一致していることを示す。
  論文  参考訳（メタデータ） (2025-05-23T15:36:22Z)
• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• Approximations to the Fisher Information Metric of Deep Generative Models for Out-Of-Distribution Detection [2.3749120526936465]
  深層生成モデルは、訓練されたデータよりも高いログ類似度をOODデータに対して常に推測することを示す。 我々は,OODデータに対して,トレーニングデータよりも勾配基準が大きいという単純な直観に基づいて,OOD検出のための深部生成モデルのパラメータに関するデータ点の勾配を利用する。 実験結果から,本手法は,ほとんどの深層生成モデルと画像データセットのペアリングにおいて,典型性試験よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-03-03T11:36:35Z)
• 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)

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。