論文の概要: Open Horizons: Evaluating Deep Models in the Wild

• arxiv url: http://arxiv.org/abs/2512.12146v1
• Date: Sat, 13 Dec 2025 03:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.14068
• Title: Open Horizons: Evaluating Deep Models in the Wild
• Title（参考訳）: Open Horizons: 野生の深層モデルを評価する
• Authors: Ayush Vaibhav Bhatti, Deniz Karakay, Debottama Das, Nilotpal Rajbongshi, Yuito Sugimoto,
• Abstract要約: CIFAR-10におけるオープンセット認識(OSR)とクラスインクリメンタル学習(FSCIL)の併用に関する統一実験を行った。 OSRでは、ResNet-50、ConvNeXt-Tiny、CLIP ViT-B/16の3つの事前学習された凍結型視覚エンコーダを比較し、線形プローブと4つのポストホックスコア関数(MSP、Energy、Mahalanobis、kNN)を使用。 FSCILでは,部分凍結型ResNet-50を用いたSPPR,OrCo,ConCMの比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-world deployment requires models to recognize both known categories and remain reliable when novel classes appear. We present a unified experimental study spanning open-set recognition (OSR) and few-shot class-incremental learning (FSCIL) on CIFAR-10. For OSR, we compare three pretrained frozen visual encoders: ResNet-50, ConvNeXt-Tiny and CLIP ViT-B/16,using a linear probe and four post-hoc scoring functions, namely MSP, Energy, Mahalanobis and kNN. Across metrics,such as, AUROC, AUPR, FPR@95, and OSCR, CLIP consistently yields the strongest separability between known and unknown samples, with Energy providing the most stable performance across backbones. For FSCIL, we compare modified SPPR, OrCo, and ConCM using partially frozen ResNet-50 across 1-, 5-, and 10-shot scenarios. ConCM achieves 84.7% accuracy in the 10-shot setting with the cleanest confusion matrix, while all methods show saturation beyond 5 shots. Our controlled evaluation reveals how the backbone architecture and scoring mechanisms affect unknown detection and how prototype-based methods mitigate catastrophic forgetting during incremental adaptation.
• Abstract（参考訳）: オープンワールドデプロイメントには、既知のカテゴリの両方を認識し、新しいクラスが現れても信頼性を維持するモデルが必要である。 CIFAR-10におけるオープンセット認識(OSR)とクラスインクリメンタル学習(FSCIL)の併用に関する統一実験を行った。 OSRでは、ResNet-50、ConvNeXt-Tiny、CLIP ViT-B/16の3つの事前学習された凍結型視覚エンコーダを比較し、線形プローブと4つのポストホックスコア関数(MSP、Energy、Mahalanobis、kNN)を使用。 AUROC、AUPR、FPR@95、OSCRなど、すべての指標において、CLIPは、既知のサンプルと未知のサンプルの最も強い分離性を示し、バックボーン全体で最も安定したパフォーマンスを提供する。 FSCILでは,部分凍結したResNet-50を用いたSPPR,OrCo,ConCMを比較した。 ConCMは、最も清潔な混乱行列を持つ10ショット設定で84.7%の精度を達成し、全ての方法は5ショット以上の飽和を示す。 制御された評価では、バックボーンの構造とスコアリング機構が未知の検出にどのように影響し、プロトタイプベースの手法が漸進的適応中に破滅的な忘れを緩和するかを明らかにした。

関連論文リスト

• A Systematic Analysis of Out-of-Distribution Detection Under Representation and Training Paradigm Shifts [0.5156484100374058]
  本稿では,CLIP層間におけるアウト・オブ・ディストリビューション(OOD)検出手法の系統的比較について述べる。 実験では、スクラッチから訓練されたCNNと微調整された視覚変換器(ViT)の2つの表現パラダイムをカバーしている。 学習した特徴空間がOODの有効性を決定づけていることが判明した。
  論文  参考訳（メタデータ） (2025-11-14T23:18:13Z)
• COOkeD: Ensemble-based OOD detection in the era of zero-shot CLIP [47.84776775118222]
  アウト・オブ・ディストリビューション(OOD)検出は、信頼できる画像認識システムにおいて重要なビルディングブロックである。 両端から少し開放感が与えられると、不均一なアンサンブルを生成することで、顕著なOOD検出が達成できることが示される。 CokeDは、古典的およびCLIPベースのOOD検出方法と比較して、最先端のパフォーマンスとロバスト性の向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T11:02:38Z)
• Replay to Remember (R2R): An Efficient Uncertainty-driven Unsupervised Continual Learning Framework Using Generative Replay [1.5267291767316298]
  継続学習は、以前獲得した知識を維持しながら、新しいデータから徐々に知識を取得する。 生成的リプレイ(Replay to Remember(R2R))」を用いた新しい不確実性駆動型教師なし連続学習フレームワークを提案する。 提案手法は,98.13%,73.06%,93.41%,95.18%,59.74%の最先端性能を達成した。
  論文  参考訳（メタデータ） (2025-05-07T20:29:31Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• GHOST: Gaussian Hypothesis Open-Set Technique [10.426399605773083]
  大規模認識手法の評価は通常、全体的な性能に重点を置いている。 オープンセット認識(OSR)における公平性に対処し,クラスごとのパフォーマンスが劇的に変化することを示す。 Zスコア正規化をロジットに適用し、モデルの期待から逸脱する特徴量の影響を軽減する。
  論文  参考訳（メタデータ） (2025-02-05T16:56:14Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Boosting Randomized Smoothing with Variance Reduced Classifiers [4.110108749051657]
  ランダム化平滑化(Randomized Smoothing, RS)のベースモデルとして, アンサンブルが特に適した選択である理由を考察する。 我々は、この選択を実証的に確認し、複数の設定でアート結果の状態を取得する。
  論文  参考訳（メタデータ） (2021-06-13T08:40:27Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)

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。