論文の概要: Tuning Out-of-Distribution (OOD) Detectors Without Given OOD Data

• arxiv url: http://arxiv.org/abs/2602.05935v1
• Date: Thu, 05 Feb 2026 17:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.095909
• Title: Tuning Out-of-Distribution (OOD) Detectors Without Given OOD Data
• Title（参考訳）: OODデータのないOOD検出器のチューニング
• Authors: Sudeepta Mondal, Xinyi Mary Xie, Ruxiao Duan, Alex Wong, Ganesh Sundaramoorthi,
• Abstract要約: 現在の文献で選択されたアドホックデータセットに基づいて検出器の性能に有意なばらつきがあることが示される。 我々は、NNのトレーニングに使用されるデータ以外の余分なデータを必要としないOOD検出器チューニングに対する新しい汎用的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.9811489353726826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing out-of-distribution (OOD) detectors are often tuned by a separate dataset deemed OOD with respect to the training distribution of a neural network (NN). OOD detectors process the activations of NN layers and score the output, where parameters of the detectors are determined by fitting to an in-distribution (training) set and the aforementioned dataset chosen adhocly. At detector training time, this adhoc dataset may not be available or difficult to obtain, and even when it's available, it may not be representative of actual OOD data, which is often ''unknown unknowns." Current benchmarks may specify some left-out set from test OOD sets. We show that there can be significant variance in performance of detectors based on the adhoc dataset chosen in current literature, and thus even if such a dataset can be collected, the performance of the detector may be highly dependent on the choice. In this paper, we introduce and formalize the often neglected problem of tuning OOD detectors without a given ``OOD'' dataset. To this end, we present strong baselines as an attempt to approach this problem. Furthermore, we propose a new generic approach to OOD detector tuning that does not require any extra data other than those used to train the NN. We show that our approach improves over baseline methods consistently across higher-parameter OOD detector families, while being comparable across lower-parameter families.
• Abstract（参考訳）: 既存のオフ・オブ・ディストリビューション(OOD)検出器は、ニューラルネットワーク(NN)のトレーニング分布に関して、OODと見なされる別のデータセットによって調整されることが多い。 OOD検出器は、NN層の活性化を処理し、出力をスコアする。そこでは、検出器のパラメータは、非分布(トレーニング)セットと、前述のデータセットを隣接して選択することで決定される。 検出器の訓練時点では、このアドホックデータセットは入手が困難で、たとえ利用可能であったとしても、実際のOODデータを表すものではなく、しばしば「未知の未知」である。 現状のベンチマークでは, テストOOD集合の残余集合の特定が可能であり, 現在の文献で選択されたアドホックデータセットに基づく検出器の性能に有意なばらつきがあることが示され, たとえそのようなデータセットを収集できたとしても, 検出器の性能は選択に大きく依存する可能性がある。 この目的のために,この問題に対処する試みとして,強いベースラインを提示する。 さらに, NN のトレーニングに使用するデータ以外の余分なデータを必要としない OOD 検出器のチューニング手法を提案する。 提案手法は,低パラメータのOOD検出器群と同等でありながら,高パラメータのOOD検出器群に対して一貫したベースライン法の改善を図っている。

関連論文リスト

• Uncertainty-Aware Out-of-Distribution Detection with Gaussian Processes [13.246251147975192]
  ディープニューラルネットワーク(DNN)はしばしばクローズドワールドの前提の下で構築される。 OODサンプルは、現実世界のアプリケーションでトレーニングフェーズで必ずしも利用できない。 InDデータのみに基づく決定境界を確立するために,ガウス過程に基づくOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-12-30T12:57:31Z)
• Out-of-Distribution Detection with Overlap Index [22.92968284023414]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンな世界における機械学習モデルの展開に不可欠である。 重なり指数(OI)に基づく信頼度スコア関数を用いた新しいOOD検出手法を提案する。 我々は,OIをベースとしたOOD検出器と最先端のOOD検出器が競合することを示す。
  論文  参考訳（メタデータ） (2024-12-09T03:01:47Z)
• Out-of-distribution Detection Learning with Unreliable Out-of-distribution Sources [73.28967478098107]
  アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。 通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。 本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-06T16:26:52Z)
• AUTO: Adaptive Outlier Optimization for Test-Time OOD Detection [79.51071170042972]
  Out-of-Distribution (OOD) 検出は、任意のトレーニングインディストリビューション(ID)クラスに該当しないテストサンプルを検出することを目的としている。 データ安全性とプライバシにより、さまざまなシナリオに対して、事前にタスク固有の外れ値の収集が不可能になる。 テスト中にラベルのないデータストリームから実際のOODデータを利用することができる。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• No True State-of-the-Art? OOD Detection Methods are Inconsistent across Datasets [69.725266027309]
  アウト・オブ・ディストリビューション検出は、信頼できるMLシステムの重要なコンポーネントである。 本研究では,これらの手法が16対の標準セット上でのOOD検出よりも本質的に優れていることを示す。 また、ある(ID, OOD)ペアにおいて他の(ID, OOD)ペアよりも優れる手法は、低データ方式ではそうしない可能性があることを示す。
  論文  参考訳（メタデータ） (2021-09-12T16:35:00Z)
• 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)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。