論文の概要: Geometry over Density: Few-Shot Cross-Domain OOD Detection

• arxiv url: http://arxiv.org/abs/2605.03410v1
• Date: Tue, 05 May 2026 06:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.80248
• Title: Geometry over Density: Few-Shot Cross-Domain OOD Detection
• Title（参考訳）: 密度の幾何: クロスドメインOOD検出
• Authors: Shawn Li, You Qin, Jiate Li, Charith Peris, Lisa Bauer, Roger Zimmermann, Yue Zhao,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、モデルのトレーニング分布外にあるテストサンプルを特定する。 拡散軌道の情報・幾何学的解析により,この目標を達成する統一的なフレームワークである textbfUFCOD を提案する。
• 参考スコア（独自算出の注目度）: 26.608445978948183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection identifies test samples that fall outside a model's training distribution, a capability critical for safe deployment in high-stakes applications. Standard OOD detectors are trained on a specific in-distribution (ID) dataset and detect deviations from that single domain. In contrast, we study few-shot cross-domain OOD detection: given a \emph{single} pre-trained model, can we perform OOD detection on \emph{arbitrary} new ID-OOD task pairs using only a handful of ID samples at inference time, with no additional training? We propose \textbf{UFCOD}, a unified framework that achieves this goal through information-geometric analysis of diffusion trajectories. Our key insight is that diffusion noise predictions are score functions (gradients of log-density), and we extract two energy features: \emph{Path Energy} (integrated score magnitude) and \emph{Dynamics Energy} (score smoothness), that form a discrete Sobolev norm capturing how samples interact with the learned diffusion process. The central contribution is a \textbf{train-once, deploy-anywhere} paradigm: a diffusion model trained on a single dataset (e.g., CelebA) serves as a universal feature extractor for OOD detection across semantically unrelated domains (e.g., CIFAR-10, SVHN, Textures). At deployment, each new task requires only $\sim$100 unlabeled ID samples for inference: no retraining, no fine-tuning, no task-specific adaptation. Using 100 ID samples per task, UFCOD achieves 93.7\% average AUROC across 12 cross-domain benchmarks, competitive with methods trained on 50k--163k samples, demonstrating $\sim$500$\times$ improvement in sample efficiency. See our code in https://github.com/lili0415/UFCOD.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、モデルのトレーニングディストリビューションから外れたテストサンプルを特定する。 標準OOD検出器は、特定の内分布(ID)データセットに基づいてトレーニングされ、その単一ドメインからの偏差を検出する。 対照的に、数発のクロスドメイン OOD 検出について検討する: \emph{single} 事前訓練されたモデルが与えられた場合、推論時に少数の ID サンプルのみを使用して、新しい ID-OOD タスクペア上で OOD 検出を実行できるか。 本稿では,拡散軌道の情報・幾何学的解析を通じて,この目的を達成する統一的なフレームワークである「textbf{UFCOD}」を提案する。 我々の重要な洞察は、拡散ノイズ予測はスコア関数(対数密度の勾配)であり、サンプルが学習拡散過程とどのように相互作用するかを計測する離散的なソボレフノルムを形成する2つのエネルギー特徴を抽出することである。 単一のデータセット(例: CelebA)でトレーニングされた拡散モデルは、意味的に無関係なドメイン(例: CIFAR-10, SVHN, Textures)にわたるOOD検出のための普遍的な特徴抽出器として機能する。 デプロイ時に、各新しいタスクは推論のために$\sim$100の未ラベルのIDサンプルを必要とする。 1タスクあたり100のIDサンプルを使用して、UFCODは12のクロスドメインベンチマークで平均93.7%のAUROCを達成し、50k--163kサンプルで訓練されたメソッドと競合し、サンプル効率が$\sim$500$\times$改善された。 コードについてはhttps://github.com/lili0415/UFCODを参照してください。

関連論文リスト

• SCOPED: Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion [5.008779702997125]
  アウト・オブ・ディストリビューション(OOD)検出は、視覚、ロボット工学、強化学習などにおける機械学習システムの信頼性の高い展開に不可欠である。 SCOPED(Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion)を紹介する。 SCOPEDは、多様なデータセットでトレーニングされた単一の拡散モデルから計算され、モデルのスコア関数のジャコビアントレースと2乗ノルムを単一のテスト統計量に結合する。 4つのビジョンベンチマークでは、SCOPEDは計算コストの低いにもかかわらず、競合または最先端の精度リコールスコアを達成している。
  論文  参考訳（メタデータ） (2025-10-01T20:54:49Z)
• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
  アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。 従来、教師なし手法はOOD検出に深い生成モデルを用いていた。 本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T08:54:03Z)
• Out-of-distribution Object Detection through Bayesian Uncertainty Estimation [10.985423935142832]
  OOD検出のための新しい,直感的で,スケーラブルなオブジェクト検出手法を提案する。 提案手法は,提案したガウス分布からの重みパラメータサンプリングにより,IDデータとOODデータを識別することができる。 BDD100kおよびVOCデータセットでトレーニングした場合,FPR95スコアを最大8.19%削減し,AUROCスコアを最大13.94%向上させることで,ベイズ対象検出器のOOD識別性能が良好であることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T19:10:52Z)
• 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)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Probabilistic Anchor Assignment with IoU Prediction for Object Detection [9.703212439661097]
  オブジェクト検出では、どのアンカーを正または負のサンプルとして割り当てるか、すなわちアンカー代入(アンカー代入)がモデルの性能に大きく影響を与えるコアプロシージャとして明らかにされている。 本稿では,モデルの学習状況に応じて,アンカーを正と負のサンプルに適応的に分離する新しいアンカー代入戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-16T04:26:57Z)

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。