論文の概要: VMF-GOS: Geometry-guided virtual Outlier Synthesis for Long-Tailed OOD Detection

• arxiv url: http://arxiv.org/abs/2602.05415v1
• Date: Thu, 05 Feb 2026 07:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.828531
• Title: VMF-GOS: Geometry-guided virtual Outlier Synthesis for Long-Tailed OOD Detection
• Title（参考訳）: VMF-GOS:長尺OOD検出のための幾何学誘導仮想外周合成
• Authors: Ningkang Peng, Qianfeng Yu, Yuhao Zhang, Yafei Liu, Xiaoqian Peng, Peirong Ma, Yi Chen, Peiheng Li, Yanhui Gu,
• Abstract要約: 我々は、超球面上のvon Mises-Fisher(vMF)分布を用いて統計特性をモデル化する幾何学誘導仮想外乱合成(GOS)戦略を導入する。 具体的には、特徴空間に低線状アニュラスを配置し、この領域で仮想外れ値の方向サンプリングを行う。 CIFAR-LTなどのベンチマーク実験により,本手法は外部実画像を用いたソタ手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 10.895746797423223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-Distribution (OOD) detection under long-tailed distributions is a highly challenging task because the scarcity of samples in tail classes leads to blurred decision boundaries in the feature space. Current state-of-the-art (sota) methods typically employ Outlier Exposure (OE) strategies, relying on large-scale real external datasets (such as 80 Million Tiny Images) to regularize the feature space. However, this dependence on external data often becomes infeasible in practical deployment due to high data acquisition costs and privacy sensitivity. To this end, we propose a novel data-free framework aimed at completely eliminating reliance on external datasets while maintaining superior detection performance. We introduce a Geometry-guided virtual Outlier Synthesis (GOS) strategy that models statistical properties using the von Mises-Fisher (vMF) distribution on a hypersphere. Specifically, we locate a low-likelihood annulus in the feature space and perform directional sampling of virtual outliers in this region. Simultaneously, we introduce a new Dual-Granularity Semantic Loss (DGS) that utilizes contrastive learning to maximize the distinction between in-distribution (ID) features and these synthesized boundary outliers. Extensive experiments on benchmarks such as CIFAR-LT demonstrate that our method outperforms sota approaches that utilize external real images.
• Abstract（参考訳）: 長い尾の分布の下でのアウト・オブ・ディストリビューション(OOD)検出は、尾のクラスにおけるサンプルの不足が特徴空間における決定境界の曖昧化につながるため、非常に難しい課題である。 現在の最先端(ソータ)メソッドでは、通常、機能空間を正規化するために、大規模な実際の外部データセット(8000万Tiny Imagesなど)に依存する、Outlier Exposure(OE)戦略を採用している。 しかし、この外部データへの依存は、高いデータ取得コストとプライバシの感度のために、実践的なデプロイメントでは不可能になることが多い。 そこで本研究では,外部データセットへの依存を完全に排除し,優れた検出性能を維持しつつ,新たなデータフリーフレームワークを提案する。 我々は、超球面上のvon Mises-Fisher(vMF)分布を用いて統計特性をモデル化する幾何学誘導仮想外乱合成(GOS)戦略を導入する。 具体的には、特徴空間に低状アニュラスを配置し、この領域で仮想外れ値の方向サンプリングを行う。 同時に,DGS(Dual-Granularity Semantic Loss)を導入し,DGS(Dual-Granularity Semantic Loss)とDGS(Dual-Granularity Semantic Loss)を組み合わせた。 CIFAR-LTなどのベンチマークによる大規模な実験により,本手法は外部実画像を用いたソタ手法よりも優れていることが示された。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• A Style-Based Profiling Framework for Quantifying the Synthetic-to-Real Gap in Autonomous Driving Datasets [9.788200709163064]
  本稿では,合成データセットと実画像データセットの両方に基づくスタイルプロファイルを特徴付けるためのプロファイル抽出と発見フレームワークを提案する。 本フレームワークは,グラム行列に基づくスタイル抽出と,クラス内コンパクト性とクラス間分離に最適化されたメトリック学習を組み合わせて,スタイル埋め込みを抽出する。
  論文  参考訳（メタデータ） (2025-10-11T13:09:41Z)
• Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation [13.83897333268682]
  宇宙船のポース推定は、ランデブー、ドッキング、軌道上のドッキングのような自律的な宇宙活動の基本的な能力である。 既存のドメイン適応アプローチは、この問題を軽減することを目的としているが、ラベル付きターゲットサンプルの少ない数が利用できる場合、しばしば性能が低下する。 本稿では,SPEキーポイント回帰に適したSDA(Supervised Domain Adaptation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-17T08:03:05Z)
• Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency [52.52950138164424]
  特徴抽出にオフザシェルフ(ビジョン)基礎モデルを利用する場合、特徴分布の幾何学的形状はドメインやデータセット間で顕著な伝達性を示す。 我々は,我々の幾何学的知識誘導分布キャリブレーションフレームワークを,フェデレーション学習とロングテール認識の2つの人気かつ挑戦的な設定で具体化する。 長期学習において、サンプル豊富なカテゴリから移動された幾何学的知識を利用して、サンプル・スカース・テールクラスの真の分布を復元する。
  論文  参考訳（メタデータ） (2025-08-19T05:22:59Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• RODEO: Robust Outlier Detection via Exposing Adaptive Out-of-Distribution Samples [4.76428036044684]
  本稿では,データ中心のアプローチであるRODEOを導入し,ロバストな外乱検出のための効果的な外乱検出手法を提案する。 我々は,OE(outlier exposure)と対人訓練を取り入れることが,この目的に有効な戦略であることを示す。 我々は,我々の適応型OE法が「多様」および「ほぼ分布」のアウトリーチを効果的に生成できることを定量的かつ定性的に証明した。
  論文  参考訳（メタデータ） (2025-01-28T14:13:17Z)
• Forward-Forward Learning achieves Highly Selective Latent Representations for Out-of-Distribution Detection in Fully Spiking Neural Networks [6.7236795813629]
  生物学的システムにインスパイアされたスパイキングニューラルネットワーク(SNN)は、限界を克服するための有望な道を提供する。 本研究では,これらの課題に対処するために,スパイクフォワードフォワードアルゴリズム(FFA)の可能性を検討する。 本稿では,クラス分布からサンプルを遠ざける特徴を検出するための,新しい非勾配属性法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• Leveraging Data Geometry to Mitigate CSM in Steganalysis [1.130790932059036]
  運用シナリオでは、ステガノグラフィーは様々なセンサーや処理パイプラインのカバーセットを使用し、研究者がステガノリシスモデルを訓練するために使用するものとは大きく異なる。 これにより、アウト・オブ・ディストリビューション・カバー(一般にCSM(Cover Source Mismatch)と呼ばれる)を扱う場合、必然的なパフォーマンスギャップが生じる。 本研究では,テストイメージを同じパイプラインで処理するシナリオについて考察する。本研究の目的は,ターゲットに対する最大一般化を可能にするトレーニングデータセットを特定することである。
  論文  参考訳（メタデータ） (2023-10-06T09:08:25Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)

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。