論文の概要: Component-Based Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2604.21546v1
- Date: Thu, 23 Apr 2026 11:19:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.458765
- Title: Component-Based Out-of-Distribution Detection
- Title（参考訳）: コンポーネントに基づくアウト・オブ・ディストリビューション検出
- Authors: Wenrui Liu, Hong Chang, Ruibing Hou, Shiguang Shan, Xilin Chen,
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、自然なイン・ディストリビューション(ID)の多様性に過度に反応することなく微妙なシフトに対する感度を必要とする。
認識コンポーネント理論に着想を得て,入力を機能コンポーネントに分解することで既存の制限に対処する,トレーニング不要なコンポーネントベースOOD検出(CoOD)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 74.71660065542672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-Distribution (OOD) detection requires sensitivity to subtle shifts without overreacting to natural In-Distribution (ID) diversity. However, from the viewpoint of detection granularity, global representation inevitably suppress local OOD cues, while patch-based methods are unstable due to entangled spurious-correlation and noise. And neither them is effective in detecting compositional OODs composed of valid ID components. Inspired by recognition-by-components theory, we present a training-free Component-Based OOD Detection (CoOD) framework that addresses the existing limitations by decomposing inputs into functional components. To instantiate CoOD, we derive Component Shift Score (CSS) to detect local appearance shifts, and Compositional Consistency Score (CCS) to identify cross-component compositional inconsistencies. Empirically, CoOD achieves consistent improvements on both coarse- and fine-grained OOD detection.
- Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、自然なイン・ディストリビューション(ID)の多様性に過度に反応することなく微妙なシフトに対する感度を必要とする。
しかし、検出粒度の観点からは、大域的表現は局所的なOODキューを必然的に抑制するが、パッチベースの手法は絡み合ったスプリアス相関とノイズのために不安定である。
いずれも有効なID成分からなる合成OODの検出には有効ではない。
認識コンポーネント理論に着想を得て,入力を機能コンポーネントに分解することで既存の制限に対処する,トレーニング不要なコンポーネントベースOOD検出(CoOD)フレームワークを提案する。
CoOD のインスタンス化には,局所的な外観変化を検出する Component Shift Score (CSS) と,構成整合性スコア (CCS) を導出し,構成整合性の違いを識別する。
実証的には、CoODは粗いOOD検出ときめ細かいOOD検出の両方で一貫した改善を実現している。
関連論文リスト
- Tracking the Discriminative Axis: Dual Prototypes for Test-Time OOD Detection Under Covariate Shift [9.525480587488095]
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。
論文 参考訳（メタデータ） (2026-03-16T12:51:46Z) - Pseudo-label Induced Subspace Representation Learning for Robust Out-of-Distribution Detection [6.5679810906772325]
擬似ラベルによる部分空間表現に基づく新しいOOD検出フレームワークを提案する。
さらに,クロスエントロピーに基づくID分類損失と部分空間距離に基づく正規化損失を統合し,ID-OOD分離性を向上する単純な学習基準を導入する。
論文 参考訳（メタデータ） (2025-08-05T05:38:00Z) - Self-Calibrated Tuning of Vision-Language Models for Out-of-Distribution Detection [24.557227100200215]
オープンソースアプリケーションに信頼性の高い機械学習モデルをデプロイするには、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。
近年のCLIPによるOOD検出の進歩は,IDデータから抽出したOOD特徴に即時調整を施すことによって有望な結果を示した。
提案手法は,SCT(Self-Calibrated Tuning)と呼ばれる新しいフレームワークで,与えられた数ショットのIDデータのみを用いて効果的なOOD検出を行う。
論文 参考訳（メタデータ） (2024-11-05T02:29:16Z) - 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) - Robustness to Spurious Correlations Improves Semantic
Out-of-Distribution Detection [24.821151013905865]
画像入力のアウト・オブ・ディストリビューション(OOD)検出のための有望なアプローチとして,予測モデルの出力や特徴表現を利用する手法が登場した。
SN-OOD検出の故障について説明し、その対策としてニュアンス対応のOOD検出を提案する。
論文 参考訳（メタデータ） (2023-02-08T15:28:33Z) - 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。