論文の概要: How to Achieve Prototypical Birth and Death for OOD Detection?
- arxiv url: http://arxiv.org/abs/2603.15650v1
- Date: Fri, 06 Mar 2026 05:48:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.342377
- Title: How to Achieve Prototypical Birth and Death for OOD Detection?
- Title（参考訳）: OOD検出のための原型的出生・死亡の達成法
- Authors: Ningkang Peng, Qianfeng Yu, Xiaoqian Peng, Linjing Qian, Yafei Liu, Canran Xiao, Xinyu Lu, Tingyu Lu, Zhichao Zheng, Yanhui Gu,
- Abstract要約: Out-of-Distribution (OOD)検出は、マシンラーニングモデルの安全なデプロイに不可欠である。
従来のプロトタイプベースの学習方法は、一定数のプロトタイプに依存していた。
PID(Prototype bIrth and Death)を提案し、データ複雑性に基づいてプロトタイプ数を適応的に調整する。
- 参考スコア（独自算出の注目度）: 10.820632505009202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-Distribution (OOD) detection is crucial for the secure deployment of machine learning models, and prototype-based learning methods are among the mainstream strategies for achieving OOD detection. Existing prototype-based learning methods generally rely on a fixed number of prototypes. This static assumption fails to adapt to the inherent complexity differences across various categories. Currently, there is still a lack of a mechanism that can adaptively adjust the number of prototypes based on data complexity. Inspired by the processes of cell birth and death in biology, we propose a novel method named PID (Prototype bIrth and Death) to adaptively adjust the prototype count based on data complexity. This method relies on two dynamic mechanisms during the training process: prototype birth and prototype death. The birth mechanism instantiates new prototypes in data regions with insufficient representation by identifying the overload level of existing prototypes, thereby meticulously capturing intra-class substructures. Conversely, the death mechanism reinforces the decision boundary by pruning prototypes with ambiguous class boundaries through evaluating their discriminability. Through birth and death, the number of prototypes can be dynamically adjusted according to the data complexity, leading to the learning of more compact and better-separated In-Distribution (ID) embeddings, which significantly enhances the capability to detect OOD samples. Experiments demonstrate that our dynamic method, PID, significantly outperforms existing methods on benchmarks such as CIFAR-100, achieving State-of-the-Art (SOTA) performance, especially on the FPR95 metric.
- Abstract（参考訳）: 機械学習モデルの安全なデプロイには、アウト・オブ・ディストリビューション(OOD)検出が不可欠であり、OOD検出を実現する上では、プロトタイプベースの学習方法が主要な戦略である。
既存のプロトタイプベースの学習方法は一般に一定数のプロトタイプに依存している。
この静的仮定は、様々なカテゴリにまたがる固有の複雑さの違いに適合しない。
現在、データの複雑さに基づいてプロトタイプの数を適応的に調整できるメカニズムが不足している。
そこで本研究では, PID (Prototype bIrth and Death) と呼ばれる新しい手法を提案する。
この方法は、トレーニングプロセス中の2つの動的メカニズム、すなわち、プロトタイプの出生とプロトタイプの死亡に依存している。
誕生メカニズムは、既存のプロトタイプのオーバーロードレベルを特定して、データ領域における新しいプロトタイプを不十分な表現でインスタンス化し、クラス内のサブ構造を慎重にキャプチャする。
逆に、死のメカニズムは、識別性を評価することによって、不明瞭なクラス境界を持つプロトタイプを刈り取ることにより、決定境界を強化する。
生死を通じて、データの複雑さに応じてプロトタイプの数が動的に調整され、よりコンパクトでより分離されたIn-Distribution (ID) 埋め込みが学習され、OODサンプルを検出する能力が大幅に向上する。
実験により、我々の動的手法であるPIDは、CIFAR-100などのベンチマークにおいて既存の手法よりも大幅に優れており、特にFPR95測定値において、SOTA(State-of-the-Art)性能を達成することが示された。
関連論文リスト
- Learning with Adaptive Prototype Manifolds for Out-of-Distribution Detection [7.449816322170874]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルを現実世界に安全に配置するための重要なタスクである。
本稿では,2段階補修プロセスを用いて学習した特徴多様体を最適化する新しいOOD検出フレームワークであるAPEXを提案する。
論文 参考訳（メタデータ） (2026-02-05T06:21:16Z) - Unlocking Prototype Potential: An Efficient Tuning Framework for Few-Shot Class-Incremental Learning [69.28860905525057]
FSCIL(Few-shot class-incremental Learning)は、非常に限られたサンプルから新しいクラスを継続的に学習することを目的としている。
本稿では,静的セントロイドを動的に学習可能なコンポーネントに進化させる,効率的なファインチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-05T03:50:53Z) - Proto-Former: Unified Facial Landmark Detection by Prototype Transformer [77.47431726595111]
Proto-Formerは、統一的で適応的でエンドツーエンドの顔ランドマーク検出フレームワークである。
統一されたアーキテクチャ内で、複数のデータセットをまたいだ共同トレーニングを可能にする。
Proto-Formerは、既存の最先端手法よりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-17T06:00:25Z) - Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。
プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。
FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2025-06-28T18:36:22Z) - Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation [32.47805202531351]
半教師付き医療画像セグメンテーションにプロトタイプ学習が出現している。
共同不確実性定量化とデータ拡張による効率的なプロトタイプの整合性学習を提案する。
我々のフレームワークは従来の最先端のアプローチよりも優れている。
論文 参考訳（メタデータ） (2025-05-22T06:25:32Z) - Learning with Mixture of Prototypes for Out-of-Distribution Detection [25.67011646236146]
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)トレーニングデータから遠く離れたテストサンプルを検出することを目的としている。
サンプルの多様性を捉えるために,各クラスを複数のプロトタイプでモデル化したプロトタイプ混在型学習法(PALM)を提案する。
提案手法はCIFAR-100ベンチマークにおいて93.82の最先端平均AUROC性能を実現する。
論文 参考訳（メタデータ） (2024-02-05T00:52:50Z) - ProtoDiff: Learning to Learn Prototypical Networks by Task-Guided
Diffusion [44.805452233966534]
プロトタイプベースのメタ学習は、数発の学習課題に対処するための強力なテクニックとして登場した。
ランダムノイズからタスク固有のプロトタイプを徐々に生成するフレームワークであるProtoDiffを紹介する。
我々は、基礎となるプロトタイプの分布を正確に捉える能力を示すために、徹底的なアブレーション研究を行っている。
論文 参考訳（メタデータ） (2023-06-26T15:26:24Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
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際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - Learning Sparse Prototypes for Text Generation [120.38555855991562]
プロトタイプ駆動のテキスト生成は、トレーニングコーパス全体の保存とインデックスを必要とするため、テスト時に非効率である。
本稿では,言語モデリング性能を向上するスパースなプロトタイプサポートセットを自動的に学習する新しい生成モデルを提案する。
実験では,1000倍のメモリ削減を実現しつつ,従来のプロトタイプ駆動型言語モデルよりも優れていた。
論文 参考訳（メタデータ） (2020-06-29T19:41:26Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳（メタデータ） (2020-05-11T09:53:36Z)
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。