論文の概要: General OOD Detection via Model-aware and Subspace-aware Variable Priority
- arxiv url: http://arxiv.org/abs/2512.13003v1
- Date: Mon, 15 Dec 2025 05:55:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.547315
- Title: General OOD Detection via Model-aware and Subspace-aware Variable Priority
- Title（参考訳）: モデル認識とサブスペース認識によるOOD検出
- Authors: Min Lu, Hemant Ishwaran,
- Abstract要約: 教師付きモデルがトレーニング分布と有意に異なる入力にいつ遭遇するかを決定するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
我々は、OOD検出のためのフレームワークを導入し、同時にモデル認識とサブスペース認識を行い、変数の優先順位付けを直接検出ステップに組み込む。
- 参考スコア（独自算出の注目度）: 1.293838707857305
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Out-of-distribution (OOD) detection is essential for determining when a supervised model encounters inputs that differ meaningfully from its training distribution. While widely studied in classification, OOD detection for regression and survival analysis remains limited due to the absence of discrete labels and the challenge of quantifying predictive uncertainty. We introduce a framework for OOD detection that is simultaneously model aware and subspace aware, and that embeds variable prioritization directly into the detection step. The method uses the fitted predictor to construct localized neighborhoods around each test case that emphasize the features driving the model's learned relationship and downweight directions that are less relevant to prediction. It produces OOD scores without relying on global distance metrics or estimating the full feature density. The framework is applicable across outcome types, and in our implementation we use random forests, where the rule structure yields transparent neighborhoods and effective scoring. Experiments on synthetic and real data benchmarks designed to isolate functional shifts show consistent improvements over existing methods. We further demonstrate the approach in an esophageal cancer survival study, where distribution shifts related to lymphadenectomy identify patterns relevant to surgical guidelines.
- Abstract（参考訳）: 教師付きモデルがトレーニング分布と有意に異なる入力にいつ遭遇するかを決定するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
分類学において広く研究されているが、離散ラベルの欠如と予測の不確かさの定量化の難しさにより、回帰分析と生存分析のOOD検出は依然として限られている。
我々は、OOD検出のためのフレームワークを導入し、同時にモデル認識とサブスペース認識を行い、変数の優先順位付けを直接検出ステップに組み込む。
この手法では、各テストケースの周囲に、モデルが学習した関係を駆動する特徴と、予測にあまり関係のないダウンウェイト方向を強調する局所的な近傍を構築するために、適合した予測器を用いている。
OODスコアは、グローバル距離のメトリクスに依存することなく、または全特徴密度を見積もる。
フレームワークは結果タイプにまたがって適用でき、我々の実装では、ルール構造が透明な地区と効果的なスコアを得るランダムな森林を使用します。
関数シフトを分離するために設計された合成および実データベンチマークの実験は、既存の方法よりも一貫した改善を示している。
さらに, 食道癌生存研究において, リンパ節郭清に伴う分布変化が外科的ガイドラインに関連するパターンを同定するアプローチを示す。
関連論文リスト
- Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドアプリケーションにおけるディープラーニングモデルの信頼性を保証するために重要である。
LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。
我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
論文 参考訳（メタデータ） (2025-10-23T02:16:45Z) - Out-of-Distribution Detection Methods Answer the Wrong Questions [42.28447793943742]
多くのアウト・オブ・ディストリビューション(OOD)検出方法は、イン・ディストリビューションデータに基づいて訓練された教師付きモデルの予測的不確実性や特徴に依存している。
我々は,不確実性に基づく手法がOODであることを示す一方で,特徴量に基づく手法が特徴量空間距離を誤ったものにするのに対し,不確実性に基づく手法はOODであることを示す。
OOD検出において,これらの病態が既約誤差であることを示すとともに,これらの方法が有効でない共通設定を同定する。
論文 参考訳（メタデータ） (2025-07-02T15:45:17Z) - Semantic or Covariate? A Study on the Intractable Case of Out-of-Distribution Detection [70.57120710151105]
ID分布のセマンティック空間をより正確に定義する。
また,OOD と ID の区別性を保証する "Tractable OOD" の設定も定義する。
論文 参考訳（メタデータ） (2024-11-18T03:09:39Z) - GROOD: GRadient-Aware Out-of-Distribution Detection [11.511906612904255]
現実世界のアプリケーションにおけるディープラーニングモデルの信頼性を確保するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
In-distriion (ID) トレーニングデータから直接 OOD プロトタイプを抽出し,クラスプロトタイプを演算する GRADient-Aware Out-Of-Distribution Detection (GROOD) を提案する。
論文 参考訳（メタデータ） (2023-12-22T04:28:43Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Large Class Separation is not what you need for Relational
Reasoning-based OOD Detection [12.578844450586]
Out-Of-Distribution (OOD) 検出法はセマンティックノベルティを識別して解を提供する。
これらの手法の多くは、既知のデータの学習段階を利用しており、これは正規性の概念を捉えるためのモデル(または微調整)を訓練することを意味する。
実行可能な代替手段は、大きな事前訓練されたモデルによって生成された埋め込み空間の類似性を評価することであり、それ以上の学習は行わない。
論文 参考訳（メタデータ） (2023-07-12T14:10:15Z) - LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。
本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
論文 参考訳（メタデータ） (2023-03-24T13:49:05Z) - 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) - Plugin estimators for selective classification with out-of-distribution
detection [67.28226919253214]
現実世界の分類器は、信頼性の低いサンプルの予測を控えることの恩恵を受けることができる。
これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。
OOD検出による選択分類に関する最近の研究は、これらの問題の統一的な研究を議論している。
本稿では,既存の手法を理論的に基礎づけ,有効かつ一般化したSCOD用プラグイン推定器を提案する。
論文 参考訳（メタデータ） (2023-01-29T07:45:17Z) - On the Impact of Spurious Correlation for Out-of-distribution Detection [14.186776881154127]
我々は、不変性と環境特性の両方を考慮して、データシフトをモデル化し、新しい形式化を提案する。
その結果, トレーニングセットにおいて, 突発的特徴とラベルの相関が大きくなると, 検出性能が著しく悪化することが示唆された。
論文 参考訳（メタデータ） (2021-09-12T23:58:17Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z)
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。