論文の概要: GEPC: Group-Equivariant Posterior Consistency for Out-of-Distribution Detection in Diffusion Models
- arxiv url: http://arxiv.org/abs/2602.00191v1
- Date: Fri, 30 Jan 2026 08:58:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.04429
- Title: GEPC: Group-Equivariant Posterior Consistency for Out-of-Distribution Detection in Diffusion Models
- Title（参考訳）: GEPC:拡散モデルにおける分布外検出のための群同変後方整合性
- Authors: Yadang Alexis Rouzoumka, Jean Pinsolle, Eugénie Terreaux, Christèle Morisseau, Jean-Philippe Ovarlez, Chengfang Ren,
- Abstract要約: G EPC (Group-Equivariant Posterior Consistency) は、学習したスコアがいかに一貫して変換されるかを測定する訓練のないプローブである。
近年の拡散ベースラインと比較して, G EPC は AUROC の競争力や向上を実現している。
- 参考スコア（独自算出の注目度）: 5.205040944294552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models learn a time-indexed score field $\mathbf{s}_θ(\mathbf{x}_t,t)$ that often inherits approximate equivariances (flips, rotations, circular shifts) from in-distribution (ID) data and convolutional backbones. Most diffusion-based out-of-distribution (OOD) detectors exploit score magnitude or local geometry (energies, curvature, covariance spectra) and largely ignore equivariances. We introduce Group-Equivariant Posterior Consistency (GEPC), a training-free probe that measures how consistently the learned score transforms under a finite group $\mathcal{G}$, detecting equivariance breaking even when score magnitude remains unchanged. At the population level, we propose the ideal GEPC residual, which averages an equivariance-residual functional over $\mathcal{G}$, and we derive ID upper bounds and OOD lower bounds under mild assumptions. GEPC requires only score evaluations and produces interpretable equivariance-breaking maps. On OOD image benchmark datasets, we show that GEPC achieves competitive or improved AUROC compared to recent diffusion-based baselines while remaining computationally lightweight. On high-resolution synthetic aperture radar imagery where OOD corresponds to targets or anomalies in clutter, GEPC yields strong target-background separation and visually interpretable equivariance-breaking maps. Code is available at https://github.com/RouzAY/gepc-diffusion/.
- Abstract（参考訳）: 拡散モデルは、イン・ディストリビューション(ID)データと畳み込みバックボーンから、しばしば近似同値(フリップ、回転、円周シフト)を継承する時間付きスコア場 $\mathbf{s}_θ(\mathbf{x}_t,t)$ を学ぶ。
多くの拡散型アウト・オブ・ディストリビューション(OOD)検出器は、スコア等級または局所幾何学(エネルギー、曲率、共分散スペクトル)を利用して、ほぼ等分散を無視する。
これは、学習したスコアが有限群$\mathcal{G}$の下でいかに一貫して変換されるかを測定し、スコアの大きさが変化しない場合でも、同値な破壊を検出する訓練自由なプローブである。
人口レベルでは,$\mathcal{G}$以上の等分散残差関数を平均とする理想的なGEPC残差を提案し,軽度の仮定でID上界とOOD下界を導出する。
GEPCはスコア評価のみを必要とし、解釈可能な同値写像を生成する。
OOD画像ベンチマークのデータセットでは、GEPCは最近の拡散ベースベースラインと比較して、計算量的に軽量でありながら、AUROCの競合や改善を実現している。
高分解能合成開口レーダ画像において、OODは乱れの標的または異常に対応し、GEPCは強い目標-背景分離と視覚的に解釈可能な等分散分解マップを生成する。
コードはhttps://github.com/RouzAY/gepc-diffusion/で入手できる。
関連論文リスト
- Covariance Scattering Transforms [36.771729185178586]
本稿では,共分散スペクトルに局在したフィルタを入力データに適用し,非線形性により表現的階層表現を生成する深層学習ネットワークを提案する。
我々の実験では、CSTはVNNのように低データ設定で安定した表現を生成するが、トレーニングは行わず、同等あるいはより良い予測をもたらす。
論文 参考訳（メタデータ） (2025-11-12T01:29:31Z) - FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning [15.064543676512256]
フェデレートラーニング(FL)は、複数のデバイスがモデルをトレーニングする上で有望なパラダイムである。
本稿では,FLの収束速度がデバイスレベルおよびサンプルレベル集団勾配偏差(CGD)の和に影響されることを実証する。
我々は,WEMDとサンプリング分散のバランスをとることで,多レベルCGDの和を時間内に最小化するFedCGDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-09T09:24:33Z) - Improving Distribution Alignment with Diversity-based Sampling [0.0]
ドメインシフトは機械学習においてユビキタスであり、実際のデータにデプロイすると、モデルのパフォーマンスが大幅に低下する可能性がある。
本稿では,各サンプル小バッチの多様性を誘導することにより,これらの推定値を改善することを提案する。
同時にデータのバランスを保ち、勾配のばらつきを低減し、それによってモデルの一般化能力を高める。
論文 参考訳（メタデータ） (2024-10-05T17:26:03Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。
スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。
提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-11-30T03:05:14Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and
Applications [7.322121417864824]
我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。
これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。
神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
論文 参考訳（メタデータ） (2023-05-26T06:02:31Z) - Stable Target Field for Reduced Variance Score Estimation in Diffusion
Models [5.9115407007859755]
拡散モデルは、固定された前方拡散過程を反転させてサンプルを生成する。
このような分散の源泉は、中間雑音分散スケールの取り扱いにあると論じる。
より安定したトレーニングターゲットとして重み付けされた条件スコアを計算するために使用する参照バッチを組み込むことにより、この問題を修復することを提案する。
論文 参考訳（メタデータ） (2023-02-01T18:57:01Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳（メタデータ） (2022-04-07T17:59:19Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Global Distance-distributions Separation for Unsupervised Person
Re-identification [93.39253443415392]
既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。
本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。
本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2020-06-01T07:05:39Z)
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。