論文の概要: Known Meets Unknown: Mitigating Overconfidence in Open Set Recognition

• arxiv url: http://arxiv.org/abs/2511.13775v1
• Date: Sat, 15 Nov 2025 09:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.709531
• Title: Known Meets Unknown: Mitigating Overconfidence in Open Set Recognition
• Title（参考訳）: 匿名:オープンセット認識における過信の軽減
• Authors: Dongdong Zhao, Ranxin Fang, Changtian Song, Zhihui Liu, Jianwen Xiang,
• Abstract要約: Open Set Recognition (OSR) は、既知のクラスを正確に分類し、未知のサンプルを効果的に拒否するモデルを必要とする。 未知のサンプルが既知のクラスとセマンティックに類似している場合、特徴空間におけるクラス間オーバーラップは、しばしばモデルに不当に高い信頼を割り当てる。 クラス間重複に起因する過信を明示的に緩和するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.377912830814393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Set Recognition (OSR) requires models not only to accurately classify known classes but also to effectively reject unknown samples. However, when unknown samples are semantically similar to known classes, inter-class overlap in the feature space often causes models to assign unjustifiably high confidence to them, leading to misclassification as known classes -- a phenomenon known as overconfidence. This overconfidence undermines OSR by blurring the decision boundary between known and unknown classes. To address this issue, we propose a framework that explicitly mitigates overconfidence caused by inter-class overlap. The framework consists of two components: a perturbation-based uncertainty estimation module, which applies controllable parameter perturbations to generate diverse predictions and quantify predictive uncertainty, and an unknown detection module with distinct learning-based classifiers, implemented as a two-stage procedure, which leverages the estimated uncertainty to improve discrimination between known and unknown classes, thereby enhancing OSR performance. Experimental results on three public datasets show that the proposed framework achieves superior performance over existing OSR methods.
• Abstract（参考訳）: Open Set Recognition (OSR) は、既知のクラスを正確に分類するだけでなく、未知のサンプルを効果的に拒否するモデルを必要とする。 しかしながら、未知のサンプルが既知のクラスとセマンティックに類似している場合、機能空間におけるクラス間オーバーラップは、モデルに不公平に高い信頼を割り当てることがしばしばあり、既知のクラスとして誤分類される。 この過信は、未知のクラスと未知のクラスの間の決定境界を曖昧にすることでOSRを損なう。 この問題に対処するため,クラス間重複に起因する過信を明示的に緩和するフレームワークを提案する。 このフレームワークは、様々な予測を生成し、予測の不確実性を定量化するために制御可能なパラメータ摂動を適用した摂動に基づく不確実性推定モジュールと、2段階の手順として実装され、推定不確実性を利用して未知クラスと未知クラスの識別を改善し、OSR性能を向上させるための未知検出モジュールとからなる。 3つの公開データセットによる実験結果から,提案手法は既存のOSR法よりも優れた性能を示すことが示された。

関連論文リスト

• Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection [3.9890357781493595]
  Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 我々は,未知のオブジェクトの発見と適応を相互に(セットベースの)データ発見と表現学習タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection (CROWD)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T21:48:08Z)
• Open-Set LiDAR Panoptic Segmentation Guided by Uncertainty-Aware Learning [17.188627352236782]
  我々は不確実性誘導型オープンセット・パノプティクス・セグメンテーション・フレームワークであるULOPSを提案する。 我々のアーキテクチャは、不確実性推定を伴うセマンティックセグメンテーションのための分離されたデコーダを組み込んでいる。 推論中、未知のインスタンスを識別および分割するために不確実性推定を利用する。
  論文  参考訳（メタデータ） (2025-06-16T09:03:51Z)
• Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary [10.054397736100245]
  FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するためにオープンセット検出器を訓練することを目的としている。 本手法は,従来の最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-26T15:48:24Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
  不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。 近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。 分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-11T19:47:00Z)
• Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
  一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。 ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。 本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T05:21:27Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。