Fugu-MT 論文翻訳(概要): Geometrically Constrained Outlier Synthesis

論文の概要: Geometrically Constrained Outlier Synthesis

arxiv url: http://arxiv.org/abs/2603.08413v1
Date: Mon, 09 Mar 2026 14:11:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:16.192875
Title: Geometrically Constrained Outlier Synthesis
Title（参考訳）: 幾何学的に制約された外層合成
Authors: Daniil Karzanov, Marcin Detyniecki,
Abstract要約: 画像分類のためのディープニューラルネットワークは、しばしばアウト・オブ・ディストリビューション(OOD)サンプルに過信を示す。トレーニング時間正規化フレームワークであるGCOS(Geometrically Constrained Outlier Synthesis)を紹介する。このフレームワークは自然に共形OOD推論に遷移し、不確かさのスコアを統計的に有効なp値に変換する。
参考スコア（独自算出の注目度）: 4.254099382808598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks for image classification often exhibit overconfidence on out-of-distribution (OOD) samples. To address this, we introduce Geometrically Constrained Outlier Synthesis (GCOS), a training-time regularization framework aimed at improving OOD robustness during inference. GCOS addresses a limitation of prior synthesis methods by generating virtual outliers in the hidden feature space that respect the learned manifold structure of in-distribution (ID) data. The synthesis proceeds in two stages: (i) a dominant-variance subspace extracted from the training features identifies geometrically informed, off-manifold directions; (ii) a conformally-inspired shell, defined by the empirical quantiles of a nonconformity score from a calibration set, adaptively controls the synthesis magnitude to produce boundary samples. The shell ensures that generated outliers are neither trivially detectable nor indistinguishable from in-distribution data, facilitating smoother learning of robust features. This is combined with a contrastive regularization objective that promotes separability of ID and OOD samples in a chosen score space, such as Mahalanobis or energy-based. Experiments demonstrate that GCOS outperforms state-of-the-art methods using standard energy-based inference on near-OOD benchmarks, defined as tasks where outliers share the same semantic domain as in-distribution data. As an exploratory extension, the framework naturally transitions to conformal OOD inference, which translates uncertainty scores into statistically valid p-values and enables thresholds with formal error guarantees, providing a pathway toward more predictable and reliable OOD detection.
Abstract（参考訳）: 画像分類のためのディープニューラルネットワークは、しばしばアウト・オブ・ディストリビューション(OOD)サンプルに過信を示す。そこで我々は,OODの頑健性向上を目的としたトレーニング時間正規化フレームワークであるGCOS(Geometrically Constrained Outlier Synthesis)を導入する。 GCOSは、非分配データ(ID)の学習多様体構造を尊重する隠れた特徴空間において、仮想的な外れ値を生成することによって、先行合成法の制限に対処する。合成は次の2段階で行われる。一トレーニング特徴から抽出した支配分散部分空間は、幾何学的に情報を得た、平面外の方向を識別する。 (II) キャリブレーションセットから非整合性スコアの実験的量子化によって定義される共形インスピレーション貝殻は、合成の大きさを適応的に制御して境界試料を生成する。このシェルは、生成された外れ値が、自明に検出されず、分散データと区別できないことも保証し、ロバストな特徴のよりスムーズな学習を容易にする。これは、マハラノビスやエネルギーベースのような選択されたスコア空間におけるIDとOODの分離性を促進する対照的な正規化目的と組み合わせられる。実験により、GCOSは、標準エネルギーベース推論を用いて、約OODベンチマークにおいて、アウトレーヤが分配データと同じセマンティックドメインを共有するタスクとして定義される、最先端の手法よりも優れていることが示された。探索的拡張として、このフレームワークは、不確実性スコアを統計的に有効なp-値に変換し、正式なエラー保証付きしきい値を可能にし、より予測可能で信頼性の高いOOD検出への経路を提供する。

関連論文リスト

Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-28T11:40:18Z)
The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
論文参考訳（メタデータ） (2026-02-19T06:56:01Z)
Uncertainty-Aware Generative Oversampling Using an Entropy-Guided Conditional Variational Autoencoder [2.1629319643623655]
本稿では,表現学習とデータ生成の両方に局所的不確実性を取り入れた生成的オーバーサンプリングフレームワークを提案する。 LEO-CVAEは,従来のオーバーサンプリングや生成ベースラインよりも優れた性能を示す。これらの結果は、複雑な非線形構造によって支配される領域における不均衡学習に対する不確実性を考慮した生成的オーバーサンプリングの価値を強調した。
論文参考訳（メタデータ） (2025-09-29T18:00:11Z)
Uncertainty Estimation and Out-of-Distribution Detection for LiDAR Scene Semantic Segmentation [0.6144680854063939]
新しい環境で安全なナビゲーションを行うには、自動運転車やロボットが環境を正確に解釈する必要がある。そこで本研究では,分布内(ID)と分布外(OOD)を区別する手法を提案する。一つの決定論的モデルの特徴空間を用いて、疫学とアレター的不確実性の両方を定量化する。
論文参考訳（メタデータ） (2024-10-11T10:19:24Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文参考訳（メタデータ） (2023-11-02T16:45:25Z)
GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-05T04:04:37Z)
Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文参考訳（メタデータ） (2021-10-12T22:04:19Z)

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。