論文の概要: Shaping Parameter Contribution Patterns for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2603.07195v1
• Date: Sat, 07 Mar 2026 13:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.005261
• Title: Shaping Parameter Contribution Patterns 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形状パラメータ寄与パターン
• Authors: Haonan Xu, Yang Yang,
• Abstract要約: 訓練された分類器はスパースパラメータの寄与パターンに依存する傾向があることを示す。 この脆さは、不規則にこれらのパラメータをトリガーするOOD入力によって利用することができ、過信な予測をもたらす。 この問題に対処するため,SPCP (Shaping Contribution Patterns) というシンプルな手法を提案する。
• 参考スコア（独自算出の注目度）: 6.294911773583837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is a well-known challenge due to deep models often producing overconfident. In this paper, we reveal a key insight that trained classifiers tend to rely on sparse parameter contribution patterns, meaning that only a few dominant parameters drive predictions. This brittleness can be exploited by OOD inputs that anomalously trigger these parameters, resulting in overconfident predictions. To address this issue, we propose a simple yet effective method called Shaping Parameter Contribution Patterns (SPCP), which enhances OOD detection robustness by encouraging the classifier to learn boundary-oriented dense contribution patterns. Specifically, SPCP operates during training by rectifying excessively high parameter contributions based on a dynamically estimated threshold. This mechanism promotes the classifier to rely on a broader set of parameters for decision-making, thereby reducing the risk of overconfident predictions caused by anomalously triggered parameters, while preserving in-distribution (ID) performance. Extensive experiments under various OOD detection setups verify the effectiveness of SPCP.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、深層モデルがしばしば過信を引き起こすため、よく知られた課題である。 本稿では、訓練された分類器がスパースパラメータの寄与パターンに依存する傾向にあるという重要な知見を明らかにする。 この脆さは、不規則にこれらのパラメータをトリガーするOOD入力によって利用することができ、過信な予測をもたらす。 この問題に対処するために,我々は,OOD検出の堅牢性を高めるために,境界指向の濃密なコントリビューションパターンの学習を促すことによって,単純なパラメータ寄与パターン(SPCP)を提案する。 具体的には、SPCPは、動的に推定された閾値に基づいて、過剰に高いパラメータのコントリビューションを修正することによって、トレーニング中に動作します。 このメカニズムにより、分類器は、意思決定のための幅広いパラメータセットに依存するように促され、不当に引き起こされたパラメータによる過信予測のリスクを低減し、分散内(ID)性能を保っている。 各種OOD検出装置による広範囲な実験により,SPCPの有効性が検証された。

関連論文リスト

• PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations [52.67948063133533]
  生成レコメンデーションは有望なパラダイムとして現れ、階層的なセマンティックIDよりもシーケンス・ツー・シーケンス生成タスクとしてレコメンデーションを改革している。 既存の手法は、セマンティックドリフト(Semantic Drift)と呼ばれる重要な問題に悩まされ、初期、高レベルのトークンのエラーは、生成軌道を無関係な意味部分空間に不可逆的に分散させる。 本稿では,高密度なステップバイステップ検証を生成モデルに統合する新しいフレームワークPromiseを提案する。
  論文  参考訳（メタデータ） (2026-01-08T07:38:46Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• ITP: Instance-Aware Test Pruning for Out-of-Distribution Detection [4.035215689271819]
  Out-of-distriion (OOD) 検出は、現実世界のシナリオにおけるディープモデルの信頼性を保証するために不可欠である。 インスタンス認識テスト・プルーニング(ITP)と呼ばれるシンプルで効果的なポストホック法を提案する。 ITPは、粗粒度と粗粒度の両方を考慮し、OOD検出を行う。
  論文  参考訳（メタデータ） (2024-12-17T05:49:26Z)
• Enhancing Adversarial Attacks via Parameter Adaptive Adversarial Attack [12.647669152300871]
  敵攻撃アルゴリズムの複雑さについて検討し、敵攻撃過程をDSP(Directional Supervision Process)とDOP(Directional Optimization Process)の2つのクリティカルフェーズに分割する。 逆効果に対するモデルの影響は、しばしば現在の研究で見落とされ、DSPを無視する。 特定の条件下では、微調整モデルパラメータはDSPの品質を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-08-14T17:51:15Z)
• IBD-PSC: Input-level Backdoor Detection via Parameter-oriented Scaling Consistency [20.61046457594186]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 本稿では、悪意のあるテスト画像のフィルタリングを行うための、シンプルで効果的な入力レベルのバックドア検出(IBD-PSCと呼ばれる)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T03:19:52Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• 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)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)

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。