論文の概要: Tracking the Discriminative Axis: Dual Prototypes for Test-Time OOD Detection Under Covariate Shift

• arxiv url: http://arxiv.org/abs/2603.15213v1
• Date: Mon, 16 Mar 2026 12:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.285985
• Title: Tracking the Discriminative Axis: Dual Prototypes for Test-Time OOD Detection Under Covariate Shift
• Title（参考訳）: 判別軸の追跡:共変量シフト下でのテスト時間OOD検出のためのデュアルプロトタイプ
• Authors: Wooseok Lee, Jin Mo Yang, Saewoong Bahk, Hyung-Sin Kim,
• Abstract要約: ディープラーニングシステムの信頼性の高いデプロイには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 本稿では,2つのプロトタイプを動的に追跡するオンラインOOD検出手法であるDARTを提案する。 提案手法は, ImageNet-C vs. Textures-CにおけるAUROC利得が15.32ポイント (pp) , FPR@95TPRが49.15pp削減された。
• 参考スコア（独自算出の注目度）: 9.525480587488095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For reliable deployment of deep-learning systems, out-of-distribution (OOD) detection is indispensable. In the real world, where test-time inputs often arrive as streaming mixtures of in-distribution (ID) and OOD samples under evolving covariate shifts, OOD samples are domain-constrained and bounded by the environment, and both ID and OOD are jointly affected by the same covariate factors. Existing methods typically assume a stationary ID distribution, but this assumption breaks down in such settings, leading to severe performance degradation. We empirically discover that, even under covariate shift, covariate-shifted ID (csID) and OOD (csOOD) samples remain separable along a discriminative axis in feature space. Building on this observation, we propose DART, a test-time, online OOD detection method that dynamically tracks dual prototypes -- one for ID and the other for OOD -- to recover the drifting discriminative axis, augmented with multi-layer fusion and flip correction for robustness. Extensive experiments on a wide range of challenging benchmarks, where all datasets are subjected to 15 common corruption types at severity level 5, demonstrate that our method significantly improves performance, yielding 15.32 percentage points (pp) AUROC gain and 49.15 pp FPR@95TPR reduction on ImageNet-C vs. Textures-C compared to established baselines. These results highlight the potential of the test-time discriminative axis tracking for dependable OOD detection in dynamically changing environments.
• Abstract（参考訳）: ディープラーニングシステムの信頼性の高いデプロイには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 実世界では、共分散(ID)とOODのストリーミング混合物として、進化する共変量シフトの下で、OODサンプルがドメインに制約され、環境によってバウンドされ、同じ共変量要素によってIDとOODの両方が一緒に影響を受ける。 既存のメソッドは通常、固定IDの分布を仮定するが、この仮定はそのような設定で分解され、パフォーマンスが著しく低下する。 共変量シフト下であっても,共変量シフトID (csID) と OOD (csOOD) サンプルは特徴空間の判別軸に沿って分離可能であることを実証的に確認した。 本研究は,多層融合によるドリフト識別軸の復元とロバスト性に対するフリップ補正を実現するために,DARTというオンラインOOD検出手法を提案する。 重大度レベル5の15の共通汚職タイプを対象とする広範囲なベンチマーク実験により,本手法は性能を著しく向上し,画像Net-Cとテクスチャ-Cとの差は15.32ポイント (pp) AUROCゲインと49.15pp FPR@95TPR削減効果を示した。 これらの結果は、動的に変化する環境において、信頼度の高いOOD検出のためのテスト時間判別軸追跡の可能性を強調した。

関連論文リスト

• GOOD: Training-Free Guided Diffusion Sampling for Out-of-Distribution Detection [61.96025941146103]
  GOODは,オフザシェルフ内分布(ID)分類器を用いて,OOD領域へのサンプリングトラジェクトリを誘導する新しいフレームワークである。 入力可能性を減らすためにログパーティションの勾配に基づいた画像レベルのガイダンスは、ピクセル空間内の低密度領域に向けてサンプルを駆動する。 我々は、画像と特徴の相違を適応的に組み合わせ、検出の堅牢性を向上する統一OODスコアを導入する。
  論文  参考訳（メタデータ） (2025-10-20T03:58:46Z)
• Rethinking Out-of-Distribution Detection on Imbalanced Data Distribution [38.844580833635725]
  アーキテクチャ設計におけるバイアスを緩和し,不均衡なOOD検出器を増強する訓練時間正規化手法を提案する。 提案手法は,CIFAR10-LT,CIFAR100-LT,ImageNet-LTのベンチマークに対して一貫した改良を行う。
  論文  参考訳（メタデータ） (2024-07-23T12:28:59Z)
• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• Supervision Adaptation Balancing In-distribution Generalization and Out-of-distribution Detection [36.66825830101456]
  In-distribution (ID) と Out-of-distribution (OOD) のサンプルは、ディープニューラルネットワークにおけるtextitdistributionalな脆弱性を引き起こす可能性がある。 我々は,OODサンプルに対する適応的な監視情報を生成するために,新しいテクスツパービジョン適応手法を導入し,IDサンプルとの互換性を高めた。
  論文  参考訳（メタデータ） (2022-06-19T11:16:44Z)
• How to Exploit Hyperspherical Embeddings for Out-of-Distribution Detection? [22.519572587827213]
  CIDERは、OOD検出に超球面埋め込みを利用する表現学習フレームワークである。 CIDERは優れたパフォーマンスを確立し、FPR95では19.36%で最新のライバルを上回った。
  論文  参考訳（メタデータ） (2022-03-08T23:44:01Z)
• Exploring Covariate and Concept Shift for Detection and Calibration of Out-of-Distribution Data [77.27338842609153]
  キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。 分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。 我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
  論文  参考訳（メタデータ） (2021-10-28T15:42:55Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。