論文の概要: DAVIS: OOD Detection via Dominant Activations and Variance for Increased Separation

• arxiv url: http://arxiv.org/abs/2601.22703v1
• Date: Fri, 30 Jan 2026 08:23:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.321586
• Title: DAVIS: OOD Detection via Dominant Activations and Variance for Increased Separation
• Title（参考訳）: DAVIS: 支配的活性化によるOOD検出と分離促進のためのばらつき
• Authors: Abid Hassan, Tuan Ngo, Saad Shafiq, Nenad Medvidovic,
• Abstract要約: DAVISは,重要な統計情報を組み込むことで特徴を豊かにする,シンプルで広く適用可能なポストホック手法である。 偽陽性率(FPR95)は48.26%をResNet-18で改善し、CIFAR-100で38.13%をResNet-34で、ImageNet-1kで26.83%をMobileNet-v2で改善した。
• 参考スコア（独自算出の注目度）: 7.883652498475041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting out-of-distribution (OOD) inputs is a critical safeguard for deploying machine learning models in the real world. However, most post-hoc detection methods operate on penultimate feature representations derived from global average pooling (GAP) -- a lossy operation that discards valuable distributional statistics from activation maps prior to global average pooling. We contend that these overlooked statistics, particularly channel-wise variance and dominant (maximum) activations, are highly discriminative for OOD detection. We introduce DAVIS, a simple and broadly applicable post-hoc technique that enriches feature vectors by incorporating these crucial statistics, directly addressing the information loss from GAP. Extensive evaluations show DAVIS sets a new benchmark across diverse architectures, including ResNet, DenseNet, and EfficientNet. It achieves significant reductions in the false positive rate (FPR95), with improvements of 48.26\% on CIFAR-10 using ResNet-18, 38.13\% on CIFAR-100 using ResNet-34, and 26.83\% on ImageNet-1k benchmarks using MobileNet-v2. Our analysis reveals the underlying mechanism for this improvement, providing a principled basis for moving beyond the mean in OOD detection.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)インプットを検出することは、機械学習モデルを現実世界にデプロイする上で、重要な安全策である。 しかし、ほとんどのポストホック検出法は、グローバル平均プール(GAP)から派生した最小の特徴表現(グローバル平均プールより前の活性化マップから貴重な分布統計を廃棄する損失演算)を運用している。 特にチャネルワイドのばらつきと支配的な(最大)アクティベーションは,OOD検出において非常に差別的である,と我々は主張する。 本稿では,これらの重要な統計を組み込んで特徴ベクトルを充実させ,GAPからの情報損失に直接対処する,シンプルで広範に適用可能なポストホック手法であるDAVISを紹介する。 大規模な評価によると、DAVISはResNet、DenseNet、EfficientNetなど、さまざまなアーキテクチャで新しいベンチマークを設定できる。 偽陽性率(FPR95)は、ResNet-18を使用したCIFAR-10の48.26\%、ResNet-34を使用したCIFAR-100の38.13\%、MobileNet-v2を使用したImageNet-1kベンチマークの26.83\%で大幅に低下した。 この改善の基盤となるメカニズムを明らかにするとともに,OOD検出における平均を超えて移動するための原則的基盤を提供する。

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)
• HAct: Out-of-Distribution Detection with Neural Net Activation Histograms [7.795929277007233]
  本稿では,OOD検出のための新しい記述子HActを提案する。すなわち,入力データの影響下でのニューラルネットワーク層の出力値の確率分布(ヒストグラムで近似)について述べる。 複数の画像分類ベンチマークにおいて,HActはOOD検出における最先端技術よりもはるかに精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-09-09T16:22:18Z)
• 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)
• 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)
• ReAct: Out-of-distribution Detection With Rectified Activations [20.792140933660075]
  オフ・オブ・ディストリビューション (OOD) 検出は, 実用的重要性から近年注目されている。 主な課題の1つは、モデルがしばしばOODデータに対して高い信頼性の予測を生成することである。 我々は,OODデータに対するモデル過信を低減するためのシンプルで効果的な手法であるReActを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:02:07Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。