論文の概要: GEODE: Angle-Adaptive OOD Detection with Universal Scorer Compatibility

• arxiv url: http://arxiv.org/abs/2605.01063v1
• Date: Fri, 01 May 2026 19:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.561721
• Title: GEODE: Angle-Adaptive OOD Detection with Universal Scorer Compatibility
• Title（参考訳）: GEODE:Universal Scorer Compatibilityを用いた角度適応OOD検出
• Authors: Bruno Abrahao,
• Abstract要約: GEODEはCIFAR-10の7つの標準スコアのすべてで動作する。 OEと組み合わせて、GEODEはCIFAR-100の全てのスコアでOEを打ち負かす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Outlier Exposure (OE) is among the strongest training-based OOD detectors on standard benchmarks but exhibits scorer-dependent tradeoffs (e.g., strong on MSP, weak on KNN) and requires curated auxiliary data. We show why OE works: its features sit at the same geometric locus as real near-OOD data, with the boundary-adjacent quartile driving nearly all of OE's gain. OE is boundary calibration, not OOD coverage. GEODE (GEOmetry-preserving DEtection) replicates this calibration synthetically through an angle-adaptive norm loss in which targets scale per-sample with cosine similarity to the nearest class mean, preserving feature geometry where boundary structure matters. Four theorems grounded in neural collapse justify the design. GEODE works across all seven standard scorers on CIFAR-10 (near-OOD AUROC 89.0-92.3, far-OOD reaching 93.05; no catastrophic failure on any scorer). Since the OOD regime is unknown at deployment, this is the test that matters. GEODE outperforms vanilla CE at matched epoch counts. Combined with OE, GEODE reaches 95.0 MSP / 94.8 KNN on CIFAR-10 and beats OE on every scorer on CIFAR-100. The gains hold on WRN-28-10 (+4.5 Energy, 3 seeds). Unlike methods that push OOD into the classifier null space (e.g., PFS, 14.38 KNN AUROC, worse than random), GEODE's adaptive target preserves the geometry that distance-based scorers depend on.
• Abstract（参考訳）: Outlier Exposure (OE)は標準ベンチマークで最強のトレーニングベースのOOD検出器であるが、スコアに依存したトレードオフ(例えば、MSPに強い、KNNに弱い)を示し、キュレートされた補助データを必要とする。 OEが機能するのは、その特徴が実際の近OODデータと同じ幾何学的軌跡に置かれており、その境界に接する四量体がOEの利益のほぼ全てを駆動していることです。 OEは境界校正であり、OODのカバー範囲ではない。 GEODE(GEOmetry-Preserving Detection)は、このキャリブレーションを、境界構造が重要となる特徴幾何を保存するために、最も近いクラス平均に類似したコサインでサンプルごとのスケールを目標とする角度適応ノルムロスを通じて、合成的に複製する。 神経崩壊に基礎を置く4つの定理は設計を正当化する。 GEODEはCIFAR-10(AUROC 89.0-92.3, far-OOD to 93.05; no catastrophic failure on any scorer)の7つの標準スコアの全てにまたがっている。 OOD体制は展開時に未知であるため、これは重要なテストである。 GEODEは、一致したエポック数でバニラCEを上回っます。 OEと組み合わせて、GEODEはCIFAR-10で95.0 MSP / 94.8 KNNに達し、CIFAR-100で全てのスコアでOEを破る。 WRN-28-10(+4.5 Energy, 3 seed)が上昇する。 OODを分類子ヌル空間(例えば PFS, 14.38 KNN AUROC, worse than random)にプッシュする手法とは異なり、GEODEの適応的ターゲットは距離ベースのスコアラーが依存する幾何学を保存する。

関連論文リスト

• Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
  オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。 本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。 高いID分類性能を維持しながら強力なOOD検出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T04:00:57Z)
• ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction [77.70461178466043]
  3Dセマンティック占有予測は自動運転の中心である。 現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。 本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
  論文  参考訳（メタデータ） (2026-04-01T16:11:59Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Adversarially Robust Out-of-Distribution Detection Using Lyapunov-Stabilized Embeddings [1.0260351016050424]
  AROSは、ニューラル常微分方程式(NODE)とリャプノフ安定性定理を利用する新しいアプローチである。 調整された損失関数により、リアプノフ安定性理論を適用し、分布内(ID)とOODデータが安定平衡点に収束することを保証する。 このアプローチは任意の摂動入力を安定平衡に戻すことを奨励し、それによってモデルの対向摂動に対する堅牢性を高める。
  論文  参考訳（メタデータ） (2024-10-14T17:22:12Z)
• Hyperbolic Metric Learning for Visual Outlier Detection [38.12413348860087]
  Out-Of-Distribution (OOD)検出は、ディープラーニングモデルを安全クリティカルなアプリケーションにデプロイするために重要である。 本研究は,OOD検出における双曲幾何学の強みを利用する計量フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-22T15:00:29Z)
• Detection Transformer with Stable Matching [48.963171068785435]
  もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。 本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。 12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
  論文  参考訳（メタデータ） (2023-04-10T17:55:37Z)
• Your Out-of-Distribution Detection Method is Not Robust! [0.4893345190925178]
  オフ・オブ・ディストリビューション(OOD)検出は,信頼性と安全性において領域外サンプルを特定することの重要性から,近年注目されている。 この問題を緩和するために、最近いくつかの防衛策が提案されている。 我々は、より大きな摂動サイズを持つイン/アウトデータに対するエンドツーエンドのPGD攻撃に対して、これらの防御を再検討する。
  論文  参考訳（メタデータ） (2022-09-30T05:49:00Z)
• Learnable Boundary Guided Adversarial Training [66.57846365425598]
  私たちは、あるクリーンモデルからのモデルロジットを使用して、別のロバストモデルの学習をガイドします。 我々は、CIFAR-100上で、追加の実データや合成データなしで、新しい最先端のロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-11-23T01:36:05Z)
• 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。