論文の概要: RankOOD - Class Ranking-based Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2511.19996v1
• Date: Tue, 25 Nov 2025 07:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.321882
• Title: RankOOD - Class Ranking-based Out-of-Distribution Detection
• Title（参考訳）: RankOOD - Class Ranking-based Out-of-Distribution Detection
• Authors: Dishanika Denipitiyage, Naveen Karunanayake, Suranga Seneviratne, Sanjay Chawla,
• Abstract要約: そこで我々は,Placket-Luce損失を伴うモデルのトレーニングに基づいて,ランクに基づくOOD(Out-of-Distribution)検出手法を提案する。 本手法は,Cross Entropy Lossを用いて学習した深層学習モデルを用いて,各IDクラス予測のランキングパターンを導出する。
• 参考スコア（独自算出の注目度）: 5.447909365133452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose RankOOD, a rank-based Out-of-Distribution (OOD) detection approach based on training a model with the Placket-Luce loss, which is now extensively used for preference alignment tasks in foundational models. Our approach is based on the insight that with a deep learning model trained using the Cross Entropy Loss, in-distribution (ID) class prediction induces a ranking pattern for each ID class prediction. The RankOOD framework formalizes the insight by first extracting a rank list for each class using an initial classifier and then uses another round of training with the Plackett-Luce loss, where the class rank, a fixed permutation for each class, is the predicted variable. An OOD example may get assigned with high probability to an ID example, but the probability of it respecting the ranking classification is likely to be small. RankOOD, achieves SOTA performance on the near-ODD TinyImageNet evaluation benchmark, reducing FPR95 by 4.3%.
• Abstract（参考訳）: そこで本研究では,Placket-Luce損失を伴うモデルのトレーニングに基づくランクベースアウト・オブ・ディストリビューション(OOD)検出手法であるRanOODを提案する。 本手法は,Cross Entropy Lossを用いて学習した深層学習モデルを用いて,各IDクラス予測のランキングパターンを導出する。 RankOODフレームワークは、最初に初期分類器を使用して各クラスのランクリストを抽出し、次に、クラスランク、各クラスの固定置換が予測変数であるPlackett-Luce損失で別のラウンドのトレーニングを使用する。 OODの例はIDの例に高い確率で割り当てられることもあるが、ランキングの分類に関する確率は小さい可能性が高い。 RankOODは、近ODD TinyImageNet評価ベンチマークでSOTAのパフォーマンスを達成し、FPR95を4.3%削減した。

関連論文リスト

• ProHOC: Probabilistic Hierarchical Out-of-Distribution Classification via Multi-Depth Networks [10.894582817549042]
  ディープラーニングにおけるアウト・オブ・ディストリビューション(OOD)検出は、伝統的にバイナリタスクとしてフレーム化されてきた。 クラス階層におけるOODサンプルの検出と分類を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-27T11:39:55Z)
• Image-Caption Encoding for Improving Zero-Shot Generalization [12.906307770270026]
  OODデータポイントが誤って分類された場合、その正しいクラスはTop-K予測クラスによく見られる。 上位予測クラス内の正しいクラスに対してモデル予測を行うために,イメージ・キャプション (ICE) 法を提案する。 本手法は他のSOTA法と組み合わせて,Top-1 OODアキュラシーを平均0.5%,挑戦的データセットで最大3%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-05T01:14:07Z)
• RankFeat&RankWeight: Rank-1 Feature/Weight Removal for Out-of-distribution Detection [66.27699658243391]
  textttRankFeatは、OOD検出のためのシンプルだが効果的なEmphposthocアプローチである。 textttRankWeight は emphpost hoc で、 rank-1 行列を一度だけ計算する必要がある。 textttRankFeatは、最先端のパフォーマンスを実現し、平均偽陽性率(FPR95)を17.90%削減する。
  論文  参考訳（メタデータ） (2023-11-23T12:17:45Z)
• Unified Classification and Rejection: A One-versus-All Framework [47.58109235690227]
  我々は,オープンな集合分類器を構築するための統一的なフレームワークを構築した。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解することにより、OVA 分類器のスコアを組み合わせることで、$ (K+1) の $-class rear 確率が得られることを示す。 一般的なOSRおよびOOD検出データセットの実験により、提案するフレームワークは、単一のマルチクラス分類器を使用して、競合性能を得ることを示した。
  論文  参考訳（メタデータ） (2023-11-22T12:47:12Z)
• RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
  本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。 これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
  論文  参考訳（メタデータ） (2022-11-28T13:59:31Z)
• P^3 Ranker: Mitigating the Gaps between Pre-training and Ranking Fine-tuning with Prompt-based Learning and Pre-finetuning [38.60274348013499]
  我々は、事前学習と微調整の2つのミスマッチを特定し、研究する。 これらのギャップを軽減するために,事前学習型,プロンプト学習型,前調整型ニューラルランクラー(P3ランクラー)を提案する。 MS MARCO と Robust04 の実験では、P3 Ranker が数発のランキングで優れた性能を示した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:29Z)
• A Top-down Supervised Learning Approach to Hierarchical Multi-label Classification in Networks [0.21485350418225244]
  本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。 クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。 本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
  論文  参考訳（メタデータ） (2022-03-23T17:29:17Z)
• CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
  FSC(Few-shot Classification)は近年のホットな問題の一つである。 事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T03:26:24Z)
• Monocular Depth Estimation via Listwise Ranking using the Plackett-Luce Model [15.472533971305367]
  多くの実世界のアプリケーションでは、画像内の物体の相対的な深さがシーン理解に不可欠である。 近年のアプローチでは, この問題を回帰課題として扱うことにより, 単眼画像の深度予測の問題に対処している。 しかし、ランク付け手法は回帰の自然な代替として自らを示唆しており、実際、ペア比較を利用したランク付け手法はこの問題に対して有望な性能を示している。
  論文  参考訳（メタデータ） (2020-10-25T13:40:10Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。