論文の概要: TASTE: Task-Aware Out-of-Distribution Detection via Stein Operators

• arxiv url: http://arxiv.org/abs/2602.07640v1
• Date: Sat, 07 Feb 2026 17:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.734983
• Title: TASTE: Task-Aware Out-of-Distribution Detection via Stein Operators
• Title（参考訳）: TASTE:ステイン演算子によるタスク認識アウトオブディストリビューション検出
• Authors: Michał Kozyra, Gesine Reinert,
• Abstract要約: TASTE(Task-Aware STEin演算子)は、いわゆるStein演算子に基づくタスク対応フレームワークである。 得られた演算子は、分布の射影として明確な幾何学的解釈を認め、モデルの感度場に遷移することを示す。
• 参考スコア（独自算出の注目度）: 2.191505742658975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution detection methods are often either data-centric, detecting deviations from the training input distribution irrespective of their effect on a trained model, or model-centric, relying on classifier outputs without explicit reference to data geometry. We propose TASTE (Task-Aware STEin operators): a task-aware framework based on so-called Stein operators, which allows us to link distribution shift to the input sensitivity of the model. We show that the resulting operator admits a clear geometric interpretation as a projection of distribution shift onto the sensitivity field of the model, yielding theoretical guarantees. Beyond detecting the presence of a shift, the same construction enables its localisation through a coordinate-wise decomposition, and for image data-provides interpretable per-pixel diagnostics. Experiments on controlled Gaussian shifts, MNIST under geometric perturbations, and CIFAR-10 perturbed benchmarks demonstrate that the proposed method aligns closely with task degradation while outperforming established baselines.
• Abstract（参考訳）: アウト・オブ・ディストリビューション検出法はしばしばデータ中心であり、訓練されたモデルによらず、訓練された入力分布から逸脱を検出するか、データ幾何学に明示的に言及せずに分類器出力に依存するモデル中心である。 本稿では,タスク認識STEin演算子(Task-Aware STEin演算子)を提案する。 得られた演算子は、分布の射影として明らかな幾何学的解釈を認め、モデルの感度場に遷移し、理論的保証を得ることを示す。 シフトの存在を検出するだけでなく、座標分解による局所化や、画像データ提供による画素ごとの診断が可能である。 制御されたガウスシフト、幾何学的摂動下でのMNIST、CIFAR-10摂動ベンチマークの実験は、提案手法が確立された基準線を上回りながらタスク劣化と密接に一致していることを示した。

関連論文リスト

• Deceptive Risk Minimization: Out-of-Distribution Generalization by Deceiving Distribution Shift Detectors [13.676316138121395]
  本稿では,分布外一般化のメカニズムとしての偽造を提案する。 トレーニングデータを独立して、観測者に同一に配布するデータ表現を学習することにより、突発的な相関を排除した安定した特徴を識別できる。
  論文  参考訳（メタデータ） (2025-09-15T16:11:55Z)
• A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
  本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。 特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。 本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
  論文  参考訳（メタデータ） (2024-04-25T14:48:29Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Distributional Gaussian Processes Layers for Out-of-Distribution Detection [18.05109901753853]
  ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。 本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。 我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
  論文  参考訳（メタデータ） (2022-06-27T14:49:48Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。