論文の概要: COMBOOD: A Semiparametric Approach for Detecting Out-of-distribution Data for Image Classification
- arxiv url: http://arxiv.org/abs/2602.07042v1
- Date: Wed, 04 Feb 2026 03:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.394097
- Title: COMBOOD: A Semiparametric Approach for Detecting Out-of-distribution Data for Image Classification
- Title（参考訳）: COMBOOD:画像分類のための分布外データ検出のための半パラメトリックアプローチ
- Authors: Magesh Rajasekaran, Md Saiful Islam Sajol, Frej Berglind, Supratik Mukhopadhyay, Kamalika Das,
- Abstract要約: 画像認識におけるOOD検出のための新しい半パラメトリックフレームワークCOMBOODを提案する。
我々のフレームワークは、最も近い隣人とマハラノビスの2つの距離指標からの信号を組み合わせて、推定点の信頼度をアウト・オブ・ディストリビューション(out-of-distribution)とする。
COMBOODは,OpenOODベンチマークデータセット上で,最先端のOOD検出手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 6.542121705585676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying out-of-distribution (OOD) data at inference time is crucial for many machine learning applications, especially for automation. We present a novel unsupervised semi-parametric framework COMBOOD for OOD detection with respect to image recognition. Our framework combines signals from two distance metrics, nearest-neighbor and Mahalanobis, to derive a confidence score for an inference point to be out-of-distribution. The former provides a non-parametric approach to OOD detection. The latter provides a parametric, simple, yet effective method for detecting OOD data points, especially, in the far OOD scenario, where the inference point is far apart from the training data set in the embedding space. However, its performance is not satisfactory in the near OOD scenarios that arise in practical situations. Our COMBOOD framework combines the two signals in a semi-parametric setting to provide a confidence score that is accurate both for the near-OOD and far-OOD scenarios. We show experimental results with the COMBOOD framework for different types of feature extraction strategies. We demonstrate experimentally that COMBOOD outperforms state-of-the-art OOD detection methods on the OpenOOD (both version 1 and most recent version 1.5) benchmark datasets (for both far-OOD and near-OOD) as well as on the documents dataset in terms of accuracy. On a majority of the benchmark datasets, the improvements in accuracy resulting from the COMBOOD framework are statistically significant. COMBOOD scales linearly with the size of the embedding space, making it ideal for many real-life applications.
- Abstract（参考訳）: 推論時にOOD(out-of-distriion)データを識別することは、多くの機械学習アプリケーション、特に自動化において重要である。
画像認識におけるOOD検出のための新しい教師なし半パラメトリックフレームワークCOMBOODを提案する。
我々のフレームワークは、最も近い隣人とマハラノビスの2つの距離指標からの信号を組み合わせて、推定点の信頼度をアウト・オブ・ディストリビューション(out-of-distribution)とする。
前者は、OOD検出に対する非パラメトリックアプローチを提供する。
後者はOODデータポイントを検出するパラメトリックでシンプルで効果的な方法を提供し、特に遠方のOODシナリオでは、推論ポイントは埋め込み空間に設定されたトレーニングデータセットから遠く離れている。
しかし、その性能は、実際の状況で発生する近OODシナリオでは満足できない。
我々のCOMBOODフレームワークは、半パラメトリックな設定で2つの信号を組み合わせて、近OODシナリオと遠OODシナリオの両方で正確である信頼スコアを提供する。
COMBOODフレームワークを用いた様々な特徴抽出手法の実験結果を示す。
COMBOODはOpenOOD(バージョン1および最新のバージョン1.5)のベンチマークデータセット( far-OOD と near-OOD の両方)およびドキュメントデータセットの精度において、最先端のOOD検出方法よりも優れていることを実験的に実証した。
ベンチマークデータセットの大部分では、COMBOODフレームワークによる精度の向上は統計的に有意である。
COMBOODは埋め込み空間のサイズと線形にスケールするので、多くの現実のアプリケーションに最適である。
関連論文リスト
- MultiOOD: Scaling Out-of-Distribution Detection for Multiple Modalities [11.884004583641325]
我々は,多種多様なデータセットサイズと様々なモダリティの組み合わせを特徴とする,第一種ベンチマークであるMultiOODを紹介する。
我々はまず,既存のOOD検出アルゴリズムをMultiOOD上で評価した。
本稿では,近隣クラスからの情報を活用することで,より広い特徴空間を探索する新しいアウトリー合成手法NP-Mixを提案する。
論文 参考訳（メタデータ） (2024-05-27T17:59:02Z) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-09T04:36:38Z) - Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric
Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。
本稿では,OOD検出における教師なし評価問題を初めて紹介する。
我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文 参考訳（メタデータ） (2023-02-16T13:34:35Z) - Two-step counterfactual generation for OOD examples [3.2689702143620143]
我々は,OOD のデファクトの概念を導入し,異なる OOD カテゴリ間で反復的に移動する摂動データポイントについて紹介する。
そこで本稿では,このようなデファクト生成手法を提案し,その合成およびベンチマークデータへの適用について検討し,様々な指標を用いたベンチマーク手法と比較する。
論文 参考訳（メタデータ） (2023-02-10T11:53:38Z) - XOOD: Extreme Value Based Out-Of-Distribution Detection For Image
Classification [1.1866955981399967]
我々は、画像分類のための新しい極値に基づくOOD検出フレームワークXOODを提案する。
どちらのアルゴリズムも、ニューラルネットワークのアクティベーション層におけるデータの極端な値によって捕捉される信号に依存している。
XOOD-MとXOOD-Lは、多くのベンチマークデータセット上で、効率と精度の両方で、最先端のOOD検出方法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-01T06:22:33Z) - 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) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - 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。