論文の概要: Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models

• arxiv url: http://arxiv.org/abs/2603.25250v1
• Date: Thu, 26 Mar 2026 09:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.225754
• Title: Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models
• Title（参考訳）: アクティベーション問題:視覚言語モデルを用いたOOD検出のためのテスト時間活性化負ラベル
• Authors: Yabin Zhang, Maya Varma, Yunhe Gao, Jean-Benoit Delbrouck, Jiaming Liu, Chong Wang, Curtis Langlotz,
• Abstract要約: 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)から逸脱するサンプルを特定することを目的としている。 1つの一般的なパイプラインは、IDクラスから離れた負のラベルを導入し、それらのラベルとの距離に基づいてOODを検出することでこの問題に対処する。 コーパスデータセット全体のアクティベーションレベルを動的に評価することにより、アンダーラインテスト時アンダーラインアクティベートアンダーラインNegativeアンダーラインラベル(TANL)を提案する。
• 参考スコア（独自算出の注目度）: 22.58959194553246
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Out-of-distribution (OOD) detection aims to identify samples that deviate from in-distribution (ID). One popular pipeline addresses this by introducing negative labels distant from ID classes and detecting OOD based on their distance to these labels. However, such labels may present poor activation on OOD samples, failing to capture the OOD characteristics. To address this, we propose \underline{T}est-time \underline{A}ctivated \underline{N}egative \underline{L}abels (TANL) by dynamically evaluating activation levels across the corpus dataset and mining candidate labels with high activation responses during the testing process. Specifically, TANL identifies high-confidence test images online and accumulates their assignment probabilities over the corpus to construct a label activation metric. Such a metric leverages historical test samples to adaptively align with the test distribution, enabling the selection of distribution-adaptive activated negative labels. By further exploring the activation information within the current testing batch, we introduce a more fine-grained, batch-adaptive variant. To fully utilize label activation knowledge, we propose an activation-aware score function that emphasizes negative labels with stronger activations, boosting performance and enhancing its robustness to the label number. Our TANL is training-free, test-efficient, and grounded in theoretical justification. Experiments on diverse backbones and wide task settings validate its effectiveness. Notably, on the large-scale ImageNet benchmark, TANL significantly reduces the FPR95 from 17.5\% to 9.8\%. Codes are available at \href{https://github.com/YBZh/OpenOOD-VLM}{YBZh/OpenOOD-VLM}.
• Abstract（参考訳）: 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)から逸脱するサンプルを特定することを目的としている。 1つの一般的なパイプラインは、IDクラスから離れた負のラベルを導入し、それらのラベルとの距離に基づいてOODを検出することでこの問題に対処する。 しかし、これらのラベルはOOD試料の活性化が悪く、OOD特性を捉えることができない可能性がある。 そこで本研究では, コーパスデータセットとマイニング候補ラベル間のアクティベーションレベルを動的に評価し, テストプロセス中に高いアクティベーション応答を示すことを特徴として, 最適時間付きサンダーライン{T}est-time \underline{A}ctivated \underline{N}egative \underline{L}abels (TANL)を提案する。 具体的には、TANLは、オンラインで高信頼なテスト画像を特定し、コーパス上の割り当て確率を蓄積し、ラベルアクティベーションメトリックを構築する。 このようなメトリクスは、過去のテストサンプルを活用して、テスト分布と適応的に整合し、分布適応型アクティブな負ラベルの選択を可能にする。 現在のテストバッチ内でのアクティベーション情報をさらに探求することで、よりきめ細かなバッチ適応型を導入します。 ラベルアクティベーションの知識をフル活用するために、より強力なアクティベーションを持つ負ラベルを強調し、性能を高め、ラベル番号に対するロバスト性を向上するアクティベーション対応スコア関数を提案する。 我々のTANLは、訓練なしで、テスト効率が良く、理論的に正当化されている。 多様なバックボーンと幅広いタスク設定の実験は、その有効性を検証する。 特に、大規模な ImageNet ベンチマークでは、TANL は FPR95 を 17.5\% から 9.8\% に大幅に削減している。 コードは \href{https://github.com/YBZh/OpenOOD-VLM}{YBZh/OpenOOD-VLM} で公開されている。

関連論文リスト

• NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection [3.9940875711185124]
  NegRefineはゼロショットOOD検出のための新規な負ラベル改質フレームワークである。 下位分類ラベルと固有名詞を負のラベル集合から除外するフィルタリング機構を導入する。 我々は、ImageNet-1Kを含む大規模ベンチマークでNegRefineを評価する。
  論文  参考訳（メタデータ） (2025-07-13T21:15:30Z)
• AdaNeg: Adaptive Negative Proxy Guided OOD Detection with Vision-Language Models [15.754054667010468]
  事前学習された視覚言語モデルは、負のラベルをガイダンスとして使用することにより、配布外サンプル(OOD)を特定するのに効果的である。 我々は,実際のOOD画像の探索により,テスト中に動的に生成されるテクスタダプティブな負のプロキシを提案する。 AUROCは2.45%増加し,FPR95は6.48%低下した。
  論文  参考訳（メタデータ） (2024-10-26T11:20:02Z)
• Negative Label Guided OOD Detection with Pretrained Vision-Language Models [96.67087734472912]
  Out-of-distriion (OOD) は未知のクラスからサンプルを識別することを目的としている。 我々は,大規模なコーパスデータベースから大量の負のラベルを抽出する,NegLabelと呼ばれる新しいポストホックOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T09:19:52Z)
• Efficient Test-Time Adaptation of Vision-Language Models [58.3646257833533]
  事前学習された視覚言語モデルによるテスト時間適応は、テスト時間中に分散シフトに取り組むことに注目が集まっている。 我々は、視覚言語モデルによる効率的なテスト時間適応を可能にするトレーニングフリーな動的アダプタであるTDAを設計する。
  論文  参考訳（メタデータ） (2024-03-27T06:37:51Z)
• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Estimating Soft Labels for Out-of-Domain Intent Detection [122.68266151023676]
  Out-of-Domain (OOD)インテント検出は,実際の対話システムにおいて重要である。 擬似OODサンプルに対するソフトラベルを推定できる適応型ソフト擬似ラベル法(ASoul)を提案する。
  論文  参考訳（メタデータ） (2022-11-10T13:31:13Z)
• Active Testing: Sample-Efficient Model Evaluation [39.200332879659456]
  サンプル効率のよいモデル評価のための新しいフレームワークであるactive testingを紹介する。 アクティブテストは、ラベルにテストポイントを慎重に選択することでこれに対処する。 我々は,推定器のばらつきを低減しつつ,バイアスの除去方法を示す。
  論文  参考訳（メタデータ） (2021-03-09T10:20:49Z)
• Label Smoothed Embedding Hypothesis for Out-of-Distribution Detection [72.35532598131176]
  我々は,$k$-NN 密度推定値を用いて OOD サンプルを検出する教師なし手法を提案する。 emphLabel Smoothed Embedding hypothesis と呼ばれるラベル平滑化に関する最近の知見を活用する。 提案手法は,多くのOODベースラインを上回り,新しい有限サンプル高確率統計結果を提供することを示す。
  論文  参考訳（メタデータ） (2021-02-09T21:04:44Z)

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。