論文の概要: Vendi Novelty Scores for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2602.10062v1
• Date: Tue, 10 Feb 2026 18:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.746329
• Title: Vendi Novelty Scores for Out-of-Distribution Detection
• Title（参考訳）: アウト・オブ・ディストリビューション検出のためのベンディノベルティスコア
• Authors: Amey P. Pasarkar, Adji Bousso Dieng,
• Abstract要約: Vendi Novelty Score(VNS)はVendi Scores(VS)に基づくOOD検出器である。 VNSは線形時間であり、非パラメトリックであり、クラス条件(ローカル)とデータセットレベル(グローバル)のノベルティ信号とを自然に組み合わせている。 VNSは、トレーニングデータの1%しか使用せず、メモリやアクセス制限のある設定でのデプロイメントを可能にすると、このパフォーマンスを維持する。
• 参考スコア（独自算出の注目度）: 5.450782029661113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is critical for the safe deployment of machine learning systems. Existing post-hoc detectors typically rely on model confidence scores or likelihood estimates in feature space, often under restrictive distributional assumptions. In this work, we introduce a third paradigm and formulate OOD detection from a diversity perspective. We propose the Vendi Novelty Score (VNS), an OOD detector based on the Vendi Scores (VS), a family of similarity-based diversity metrics. VNS quantifies how much a test sample increases the VS of the in-distribution feature set, providing a principled notion of novelty that does not require density modeling. VNS is linear-time, non-parametric, and naturally combines class-conditional (local) and dataset-level (global) novelty signals. Across multiple image classification benchmarks and network architectures, VNS achieves state-of-the-art OOD detection performance. Remarkably, VNS retains this performance when computed using only 1% of the training data, enabling deployment in memory- or access-constrained settings.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの安全なデプロイに不可欠である。 既存のポストホック検出器は典型的には、しばしば限定的な分布仮定の下で、特徴空間におけるモデル信頼度スコアまたは推定推定に依存する。 本研究では,第3のパラダイムを導入し,多様性の観点からOOD検出を定式化する。 類似度に基づく多様性指標であるVendi Scores (VS) に基づくOOD検出器であるVendi Novelty Score (VNS) を提案する。 VNSは、テストサンプルが分布内特徴集合のVSをどれだけ増大させるかを定量化し、密度モデリングを必要としないノベルティの概念を提供する。 VNSは線形時間であり、非パラメトリックであり、クラス条件(ローカル)とデータセットレベル(グローバル)のノベルティ信号とを自然に組み合わせている。 複数の画像分類ベンチマークとネットワークアーキテクチャで、VNSは最先端のOOD検出性能を達成する。 注目すべきなのは、トレーニングデータの1%しか使用していない場合、VNSはこのパフォーマンスを保ち、メモリやアクセス制限のある設定へのデプロイを可能にしていることだ。

関連論文リスト

• SCOPED: Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion [5.008779702997125]
  アウト・オブ・ディストリビューション(OOD)検出は、視覚、ロボット工学、強化学習などにおける機械学習システムの信頼性の高い展開に不可欠である。 SCOPED(Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion)を紹介する。 SCOPEDは、多様なデータセットでトレーニングされた単一の拡散モデルから計算され、モデルのスコア関数のジャコビアントレースと2乗ノルムを単一のテスト統計量に結合する。 4つのビジョンベンチマークでは、SCOPEDは計算コストの低いにもかかわらず、競合または最先端の精度リコールスコアを達成している。
  論文  参考訳（メタデータ） (2025-10-01T20:54:49Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features [23.266183020469065]
  本稿では,IDトレーニングサンプルから前景と背景の特徴を密接な予測手法によって切り離す新しいフレームワークを提案する。 これは、様々な既存のOOD検出メソッドとシームレスに組み合わせられる汎用フレームワークである。
  論文  参考訳（メタデータ） (2023-03-15T16:12:14Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Beyond Mahalanobis-Based Scores for Textual OOD Detection [32.721317681946246]
  動作要件を満たすTransformerアーキテクチャに基づく分類器のための新しいOOD検出器TRUSTEDを紹介する。 TRUSTEDの効率性は、すべての隠された層がOODのサンプルを検出するための関連情報を持っているという実りある考えに依存している。 実験では、さまざまなチェックポイント、シード、データセットを含む51kのモデル構成を取り上げ、TRUSTEDが最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-11-24T10:51:58Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• WOOD: Wasserstein-based Out-of-Distribution Detection [6.163329453024915]
  ディープ・ニューラル・ネットワークに基づく分類器のトレーニングデータは、通常同じ分布からサンプリングされる。 トレーニングサンプルから遠く離れた分布からテストサンプルの一部を引き出すと、トレーニングされたニューラルネットワークはこれらのOODサンプルに対して高い信頼性の予測を行う傾向にある。 本稿では,これらの課題を克服するため,Wasserstein を用いたアウト・オブ・ディストリビューション検出(WOOD)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:35:15Z)
• 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)
• Towards Consistent Predictive Confidence through Fitted Ensembles [6.371992222487036]
  本稿では,OOD実例が存在する場合に,分類器の性能を測定するための分離可能な概念学習フレームワークを提案する。 我々は、より一貫した深層モデルの予測信頼度を高めるために、より強力なベースラインを新たに提示する。
  論文  参考訳（メタデータ） (2021-06-22T21:32:31Z)

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。