論文の概要: Optimal Transport-Induced Samples against Out-of-Distribution Overconfidence
- arxiv url: http://arxiv.org/abs/2601.21320v1
- Date: Thu, 29 Jan 2026 06:29:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.620607
- Title: Optimal Transport-Induced Samples against Out-of-Distribution Overconfidence
- Title（参考訳）: 流通過信に対する最適輸送誘導サンプル
- Authors: Keke Tang, Ziyong Du, Xiaofei Wang, Weilong Peng, Peican Zhu, Zhihong Tian,
- Abstract要約: 半離散最適輸送(OT)における特異性は意味的曖昧性の領域を示す。
OT誘起特異境界の幾何を利用してOOD過信を緩和する原理的枠組みを提案する。
本手法はOOD過信を著しく軽減し,最先端の手法よりも優れる。
- 参考スコア（独自算出の注目度）: 36.624406746797085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) often produce overconfident predictions on out-of-distribution (OOD) inputs, undermining their reliability in open-world environments. Singularities in semi-discrete optimal transport (OT) mark regions of semantic ambiguity, where classifiers are particularly prone to unwarranted high-confidence predictions. Motivated by this observation, we propose a principled framework to mitigate OOD overconfidence by leveraging the geometry of OT-induced singular boundaries. Specifically, we formulate an OT problem between a continuous base distribution and the latent embeddings of training data, and identify the resulting singular boundaries. By sampling near these boundaries, we construct a class of OOD inputs, termed optimal transport-induced OOD samples (OTIS), which are geometrically grounded and inherently semantically ambiguous. During training, a confidence suppression loss is applied to OTIS to guide the model toward more calibrated predictions in structurally uncertain regions. Extensive experiments show that our method significantly alleviates OOD overconfidence and outperforms state-of-the-art methods.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)はしばしば、アウト・オブ・ディストリビューション(OOD)入力に関する過信な予測を生成し、オープンワールド環境での信頼性を損なう。
半離散的最適輸送(OT)における特異性は、セマンティック曖昧性の領域を示す。
本研究は,OT誘起特異境界の幾何を利用してOOD過信を緩和する原理的枠組みを提案する。
具体的には、連続基底分布とトレーニングデータの潜伏埋め込みの間のOT問題を定式化し、その結果の特異境界を同定する。
これらの境界付近でサンプリングを行うことにより,OOD を最適輸送誘導型 OOD サンプル (OTIS) と呼ぶクラスを構築する。
トレーニング中、構造的に不確実な領域でのより校正された予測に向けてモデルを導くため、OTISに信頼性抑制損失を適用した。
その結果,本手法はOOD過信を著しく軽減し,最先端の手法よりも優れていた。
関連論文リスト
- TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
OOD検出のための理論駆動型不確実性推定器TULiPを提案する。
本手法では,収束前にネットワークに適用される仮説的摂動を考察する。
提案手法は,特に近分布試料について,最先端の性能を示す。
論文 参考訳（メタデータ） (2025-05-22T17:16:41Z) - OT Score: An OT based Confidence Score for Source Free Unsupervised Domain Adaptation [2.6912673131004468]
本稿では,新しい理論解析から得られた信頼度尺度である最適輸送(OT)スコアを紹介する。
OTスコアは直感的に解釈でき、理論的には厳密である。
これは、任意の対象の擬ラベルの任意の集合に対して原則化された不確実性推定を提供する。
トレーニング時間の再重み付けによってSFUDAのパフォーマンスを改善し、モデルパフォーマンスのための信頼性の高いラベルなしプロキシを提供する。
論文 参考訳（メタデータ） (2025-05-16T20:09:05Z) - Network Inversion for Generating Confidently Classified Counterfeits [11.599035626374409]
視覚分類において、自信のある予測をもたらす入力を生成することは、モデルの振る舞いと信頼性を理解するための鍵となる。
我々はネットワーク・インバージョン・テクニックを拡張してCCC(Confidently Classified Counterfeits)を生成する。
CCCは信頼性に関するモデル中心の視点を提供し、モデルが完全に合成されたアウト・オブ・ディストリビューション・インプットに高い信頼を割り当てることを明らかにする。
論文 参考訳（メタデータ） (2025-03-26T03:26:49Z) - Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳（メタデータ） (2024-03-05T11:44:14Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - The Open-World Lottery Ticket Hypothesis for OOD Intent Classification [68.93357975024773]
我々はOODに対するモデル過信の根本的な原因を明かした。
Lottery Ticket仮説も,オープンワールドシナリオに拡張しています。
論文 参考訳（メタデータ） (2022-10-13T14:58:35Z) - CODEs: Chamfer Out-of-Distribution Examples against Overconfidence Issue [22.900378003745196]
オフ・オブ・ディストリビューション(OOD)サンプルに関する過信な予測は、ディープニューラルネットワークにとって厄介な問題である。
本稿では,分布が分布内サンプルに近いCODE(Chamfer OOD example)を提案する。
我々は,その予測を抑えることで,OOD過信問題を効果的に緩和するためにCODEを利用することができることを示した。
論文 参考訳（メタデータ） (2021-08-13T01:56:10Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z)
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。