論文の概要: BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse

• arxiv url: http://arxiv.org/abs/2511.13539v1
• Date: Mon, 17 Nov 2025 16:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.38551
• Title: BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse
• Title（参考訳）: BootOOD: 神経崩壊時の合成サンプル露光による自己監視アウトオブディストリビューション検出
• Authors: Yuanchao Wang, Tian Qin, Eduardo Valle, Bruno Abrahao,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、画像分類器を安全に敏感な環境に配置するために重要である。 我々は,IDデータからのみブートストラップを行う,完全に自己管理されたOOD検出フレームワークであるBootOODを提案する。 この結果から,BootOODはポストホック法よりも優れ,アウトレイラ露光のないトレーニングベースの手法を超越し,最先端のアウトレイラ露光手法と競合することを示した。
• 参考スコア（独自算出の注目度）: 16.533348266403515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is critical for deploying image classifiers in safety-sensitive environments, yet existing detectors often struggle when OOD samples are semantically similar to the in-distribution (ID) classes. We present BootOOD, a fully self-supervised OOD detection framework that bootstraps exclusively from ID data and is explicitly designed to handle semantically challenging OOD samples. BootOOD synthesizes pseudo-OOD features through simple transformations of ID representations and leverages Neural Collapse (NC), where ID features cluster tightly around class means with consistent feature norms. Unlike prior approaches that aim to constrain OOD features into subspaces orthogonal to the collapsed ID means, BootOOD introduces a lightweight auxiliary head that performs radius-based classification on feature norms. This design decouples OOD detection from the primary classifier and imposes a relaxed requirement: OOD samples are learned to have smaller feature norms than ID features, which is easier to satisfy when ID and OOD are semantically close. Experiments on CIFAR-10, CIFAR-100, and ImageNet-200 show that BootOOD outperforms prior post-hoc methods, surpasses training-based methods without outlier exposure, and is competitive with state-of-the-art outlier-exposure approaches while maintaining or improving ID accuracy.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)検出は、イメージ分類器を安全に敏感な環境に配置するために重要であるが、既存の検出器は、OODサンプルがイン・ディストリビューション(ID)クラスと意味的に類似している場合にしばしば苦労する。 このフレームワークは、IDデータからのみブートストラップし、意味的に困難なOODサンプルを処理するように設計されています。 BootOODは、ID表現の単純な変換を通じて擬似OOD機能を合成し、ニューラル・コラプス(NC)を利用する。 崩壊したID手段に直交する部分空間にOOD機能を制約することを目的とした従来のアプローチとは異なり、BootOODは特徴ノルムを半径ベースで分類する軽量な補助ヘッドを導入している。 この設計は、OOD検出を一次分類器から切り離し、緩和された要件を課している: OODサンプルは、IDとOODがセマンティックに近接しているときに容易に満足できる、ID特徴よりも小さな特徴ノルムを持つように学習される。 CIFAR-10、CIFAR-100、ImageNet-200の実験では、BootOODは以前のポストホック法よりも優れ、アウトリー露出のないトレーニングベースの手法よりも優れており、IDの正確性を維持したり改善したりしながら、最先端のアウトリー・エクスポージャーアプローチと競合している。

関連論文リスト

• Going Beyond Conventional OOD Detection [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、重要なアプリケーションにディープラーニングモデルの安全なデプロイを保証するために重要である。 従来型OOD検出(ASCOOD)への統一的アプローチを提案する。 提案手法は, スパイラル相関の影響を効果的に軽減し, 微粒化特性の獲得を促す。
  論文  参考訳（メタデータ） (2024-11-16T13:04:52Z)
• CLIP-driven Outliers Synthesis for few-shot OOD detection [40.6496321698913]
  OOD検出は、トレーニング中に見つからないクラスに属するOOD(out-of-distriion)画像を認識することに焦点を当てている。 今のところ、主要な戦略はCLIPのような大規模ビジョン言語モデルに基づいている。 信頼性の高いOOD監視情報の欠如を克服するために,CLIP-OS(CLIP-driven Outliers Synthesis)を提案する。
  論文  参考訳（メタデータ） (2024-03-30T11:28:05Z)
• 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)
• Distilling the Unknown to Unveil Certainty [66.29929319664167]
  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)データから逸脱するテストサンプルを識別し、ネットワークの堅牢性と信頼性を確保するために重要である。 本稿では,ネットワークからOOD感受性情報を抽出し,IDとOODサンプルを識別可能なバイナリ分類器を開発するための,OOD知識蒸留のためのフレキシブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-14T08:05:02Z)
• Detecting Out-of-Distribution Through the Lens of Neural Collapse [7.04686607977352]
  Out-of-Distribution (OOD) 検出は安全なデプロイメントに不可欠である。 ニューラル・コラプス現象に触発されて,我々は多目的かつ効率的なOOD検出法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T05:18:28Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• 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。