論文の概要: Exploiting Inter-Sample Information for Long-tailed Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2511.16015v1
• Date: Thu, 20 Nov 2025 03:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.454594
• Title: Exploiting Inter-Sample Information for Long-tailed Out-of-Distribution Detection
• Title（参考訳）: 長期アウトオブディストリビューション検出のためのサンプル間情報のエクスプロイト
• Authors: Nimeshika Udayangani, Hadi M. Dolatabadi, Sarah Erfani, Christopher Leckie,
• Abstract要約: 視覚データセットの長期認識において,サンプル間関係の活用によりOODの検出が大幅に向上することを示す。 提案手法は, FPRとテールクラスIDの分類精度において, 最先端の手法よりも高い性能を示す。
• 参考スコア（独自算出の注目度）: 7.0229899259286945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting out-of-distribution (OOD) data is essential for safe deployment of deep neural networks (DNNs). This problem becomes particularly challenging in the presence of long-tailed in-distribution (ID) datasets, often leading to high false positive rates (FPR) and low tail-class ID classification accuracy. In this paper, we demonstrate that exploiting inter-sample relationships using a graph-based representation can significantly improve OOD detection in long-tailed recognition of vision datasets. To this end, we use the feature space of a pre-trained model to initialize our graph structure. We account for the differences between the activation layer distribution of the pre-training vs. training data, and actively introduce Gaussianization to alleviate any deviations from a standard normal distribution in the activation layers of the pre-trained model. We then refine this initial graph representation using graph convolutional networks (GCNs) to arrive at a feature space suitable for long-tailed OOD detection. This leads us to address the inferior performance observed in ID tail-classes within existing OOD detection methods. Experiments over three benchmarks CIFAR10-LT, CIFAR100-LT, and ImageNet-LT demonstrate that our method outperforms the state-of-the-art approaches by a large margin in terms of FPR and tail-class ID classification accuracy.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)の安全なデプロイには、OOD(out-of-distribution)データの検出が不可欠である。 この問題は、長い尾のIn-distriion(ID)データセットの存在下では特に困難になり、しばしば偽陽性率(FPR)が高く、テールクラスのID分類精度が低い。 本稿では、グラフに基づく表現を用いたサンプル間関係の活用により、視覚データセットの長期認識におけるOODの検出が大幅に改善できることを実証する。 この目的のために、事前学習されたモデルの特徴空間を用いてグラフ構造を初期化する。 本稿では,事前学習とトレーニングデータの活性化層分布の違いを説明し,事前学習モデルの活性化層における標準正規分布からの偏差を緩和するガウス化を積極的に導入する。 次に、このグラフ畳み込みネットワーク(GCN)を用いて、この初期グラフ表現を洗練し、長い尾のOOD検出に適した特徴空間に到達させる。 これにより,既存の OOD 検出手法において,ID テールクラスで観測される劣った性能に対処することができる。 CIFAR10-LT, CIFAR100-LT, ImageNet-LTの3つのベンチマーク実験により,本手法はFPRとテールクラスIDの分類精度において,最先端の手法よりも優れていることが示された。

関連論文リスト

• Long-Tailed Out-of-Distribution Detection: Prioritizing Attention to Tail [21.339310734169665]
  本稿では,減量ではなく増量によるPATT法を提案する。 我々の主な直感は、von Mises-Fisher(vMF)分布を混合してIDデータと温度スケーリングモジュールをモデル化し、IDデータの信頼性を高めることである。 提案手法は, 様々なベンチマークにおいて, 現在の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-13T09:03:00Z)
• Out-of-distribution detection based on subspace projection of high-dimensional features output by the last convolutional layer [5.902332693463877]
  本稿では,リッチな画像特徴を含む最終畳み込み層によって出力される高次元特徴に焦点をあてる。 我々のキーとなるアイデアは、これらの高次元特徴を2つの特定の特徴部分空間に投影し、事前定義された均一分布クラス Centroids (PEDCC)-Loss で訓練することです。 本手法では,入力前処理や特定のOODデータの事前チューニングの必要性を排除し,分類ネットワークモデルのトレーニングのみを必要とする。
  論文  参考訳（メタデータ） (2024-05-02T18:33:02Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  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)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
  我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-11-08T12:41:58Z)
• No Shifted Augmentations (NSA): compact distributions for robust self-supervised Anomaly Detection [4.243926243206826]
  教師なし異常検出(AD)は正規化の概念を構築し、分布内(ID)と分布外(OOD)データを区別する必要がある。 我々は,ID特徴分布のエンフ幾何学的コンパクト性によって,外乱の分離や検出が容易になるかを検討する。 我々は,IDデータのコンパクトな分布を学習可能にする自己教師型特徴学習ステップに,新たなアーキテクチャ変更を提案する。
  論文  参考訳（メタデータ） (2022-03-19T15:55:32Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)

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。