論文の概要: Divide and Conquer: Object Co-occurrence Helps Mitigate Simplicity Bias in OOD Detection

• arxiv url: http://arxiv.org/abs/2605.07821v1
• Date: Fri, 08 May 2026 14:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.132666
• Title: Divide and Conquer: Object Co-occurrence Helps Mitigate Simplicity Bias in OOD Detection
• Title（参考訳）: ダイダイドとコンカー:OOD検出における単純度バイアス軽減に役立つオブジェクト共起
• Authors: Boyang Dai, Chaoqi Chen, Yizhou Yu,
• Abstract要約: ディープラーニングモデルの信頼性を確保するために、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。 既存の手法は主に、分散内データ(ID)とOODデータを識別するために、正規の絡み合った表現に焦点を当てている。 画像中のオブジェクトCO発生パターンをキャプチャするオブジェクト指向OOD検出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）: 46.49781655015175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is crucial for ensuring the reliability of deep learning models. Existing methods mostly focus on regular entangled representations to discriminate in-distribution (ID) and OOD data, neglecting the rich contextual information within images. This issue is particularly challenging for detecting near-OOD, as models with simplicity bias struggle to learn discriminative features in disentangled representations. The human visual system can use the co-occurrence of objects in the natural environment to facilitate scene understanding. Inspired by this, we propose an Object-Centric OOD detection framework that learns to capture Object CO-occurrence (OCO) patterns within images. The proposed method introduces a new OOD detection paradigm that understands object co-occurrence within an image by predicting disentangled representations for the test sample, then adaptively divides patterns into three scenarios based on object co-occurrence patterns observed in ID training data, and finally performs OOD detection in a divide-and-conquer manner. By doing so, OCO can distinguish near-OOD by considering the semantic contextual relationships present in their images, avoiding the tendency to focus solely on simple, easily learnable regions. We evaluate OCO through experiments across challenging and full-spectrum OOD settings, demonstrating competitive results and confirming its ability to address both semantic and covariate shifts. Code is released at https://github.com/Michael-McQueen/OCO.
• Abstract（参考訳）: ディープラーニングモデルの信頼性を確保するためには、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。 既存の手法は主に、画像内のリッチなコンテキスト情報を無視して、ID(In-distriion)とOOD(OOD)データを識別するために、通常の絡み合った表現に焦点を当てている。 単純さのバイアスを持つモデルは、非絡み合った表現における識別的特徴を学習するのに苦労するため、この問題は近OODを検出するのに特に困難である。 人間の視覚システムは自然環境における物体の共起を利用してシーン理解を容易にする。 そこで本研究では,OCO(Object CO-occurrence)パターンを画像内にキャプチャするOOD検出フレームワークを提案する。 提案手法では, 画像中のオブジェクトの共起を画像内の不整合表現を予測し, パターンをIDトレーニングデータで観測されたオブジェクトの共起パターンに基づいて3つのシナリオに適応的に分割し, 最終的に分割一致でOOD検出を行う, 新たなOOD検出パラダイムを提案する。 これにより、OCOは、画像に存在する意味的文脈関係を考慮し、単純で容易に学習可能な領域にのみフォーカスする傾向を避けることで、近OODを識別することができる。 我々は、挑戦的かつ完全なOOD設定に関する実験を通じてOCOを評価し、競争結果を示し、セマンティクスと共変量の両方に対処する能力を確認した。 コードはhttps://github.com/Michael-McQueen/OCO.comで公開されている。

関連論文リスト

• BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse [16.533348266403515]
  アウト・オブ・ディストリビューション(OOD)検出は、画像分類器を安全に敏感な環境に配置するために重要である。 我々は,IDデータからのみブートストラップを行う,完全に自己管理されたOOD検出フレームワークであるBootOODを提案する。 この結果から,BootOODはポストホック法よりも優れ,アウトレイラ露光のないトレーニングベースの手法を超越し,最先端のアウトレイラ露光手法と競合することを示した。
  論文  参考訳（メタデータ） (2025-11-17T16:12:31Z)
• VisTa: Visual-contextual and Text-augmented Zero-shot Object-level OOD Detection [22.200900846112805]
  ゼロショットオブジェクトレベルのOOD検出にCLIPを適用する新しい手法を提案する。 本手法は,重要な文脈情報を保存し,IDとOODオブジェクトを区別する能力を向上させる。
  論文  参考訳（メタデータ） (2025-03-28T10:08:17Z)
• RUNA: Object-level Out-of-Distribution Detection via Regional Uncertainty Alignment of Multimodal Representations [33.971901643313856]
  RUNAは、アウト・オブ・ディストリビューション(OOD)オブジェクトを検出するための新しいフレームワークである。 これは、OODオブジェクトとIDを効果的に区別するために、地域不確実性アライメント機構を使用する。 実験の結果,RUNAはオブジェクトレベルのOOD検出において最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-03-28T10:01:55Z)
• What If the Input is Expanded in OOD Detection? [77.37433624869857]
  Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。 In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。 入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
  論文  参考訳（メタデータ） (2024-10-24T06:47:28Z)
• The Best of Both Worlds: On the Dilemma of Out-of-distribution Detection [75.65876949930258]
  アウト・オブ・ディストリビューション(OOD)検出はモデル信頼性に不可欠である。 我々は,OODの一般化能力を秘かに犠牲にすることで,最先端手法のOOD検出性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-10-12T07:02:04Z)
• Out-of-Distribution Detection Using Peer-Class Generated by Large Language Model [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、マシンラーニングモデルの信頼性とセキュリティを確保するための重要なタスクである。 本稿では,ODPCと呼ばれる新しい手法を提案し,大規模言語モデルを用いてOODピア・セマンティクスのクラスを生成する。 5つのベンチマークデータセットの実験により,提案手法は最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-20T06:04:05Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  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)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• OODformer: Out-Of-Distribution Detection Transformer [15.17006322500865]
  現実世界の安全クリティカルなアプリケーションでは、新しいデータポイントがOODであるかどうかを認識することが重要です。 本稿では,OODformer というファースト・オブ・ザ・キンドな OOD 検出アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-19T15:46:38Z)

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。