論文の概要: A Comparative Study of Machine Learning and Deep Learning for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2605.10181v2
• Date: Wed, 20 May 2026 08:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:43.995004
• Title: A Comparative Study of Machine Learning and Deep Learning for Out-of-Distribution Detection
• Title（参考訳）: アウト・オブ・ディストリビューション検出のための機械学習とディープラーニングの比較検討
• Authors: Jihyeon Baek, Seunghoon Lee, Gitaek Kwon, Doohyun Park,
• Abstract要約: 信頼性の高いAIシステムを構築するには、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。 ディープラーニング(DL)はしばしば従来の機械学習(ML)よりも優れていると仮定される 6万枚以上の基礎画像と非基礎画像からなるオープンデータセット上で2つのアプローチが評価された。
• 参考スコア（独自算出の注目度）: 1.1980223017251233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is essential for building reliable AI systems, as models that produce outputs for invalid inputs cannot be trusted. Although deep learning (DL) is often assumed to outperform traditional machine learning (ML), medical imaging data are typically acquired under standardized protocols, leading to relatively constrained image variability in OOD detection tasks. This motivates a direct comparison between ML and DL approaches in this setting. The two approaches are evaluated on open datasets comprising over 60,000 fundus and non-fundus images across multiple resolutions. Both approaches achieved an AUROC of 1.000 and accuracies between 0.999 and 1.000 on internal and external validation sets, showing comparable detection performance. The ML approach, however, exhibited substantially lower end-to-end latency while maintaining equivalent accuracy, indicating greater computational efficiency. These results suggest that for OOD detection tasks of limited visual complexity, lightweight ML approaches can achieve DL-level performance with significantly reduced computational cost, supporting practical real-world deployment.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)検出は、不正入力の出力を生成するモデルが信頼できないため、信頼できるAIシステムを構築するために不可欠である。 ディープラーニング(DL)は従来の機械学習(ML)よりも優れていると仮定されることが多いが、医療画像データは一般的に標準化されたプロトコルの下で取得され、OOD検出タスクにおいて比較的制約のある画像のばらつきをもたらす。 これは、この設定でMLとDLのアプローチを直接比較する動機となっている。 この2つのアプローチは、複数の解像度にわたる6万以上の基礎画像と非基礎画像からなるオープンデータセットで評価される。 どちらのアプローチも、内部および外部の検証セットで1.000のAUROCと0.999から1.000の精度を達成し、同等な検出性能を示した。 しかし、MLアプローチでは、等価な精度を維持しながら、エンドツーエンドのレイテンシが大幅に低くなり、計算効率が向上した。 これらの結果から,OOD検出タスクの視覚的複雑性が限定された場合,軽量MLアプローチは,計算コストを大幅に削減してDLレベルの性能を実現し,実用的な実世界展開を支援することが示唆された。

関連論文リスト

• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• 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)
• Out-of-Distribution Detection in Medical Imaging via Diffusion Trajectories [8.591748099943167]
  医用画像では、unsupervised out-of-distribution (OOD) 検出は病理疾患の同定に魅力的なアプローチである。 現在の生成的アプローチは、しばしば推定や再構成の誤りに依存する。 本稿では,スタインスコアに基づくデノナイジング拡散モデルの前方拡散軌道を利用する再構成不要なOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2025-07-31T10:36:58Z)
• Leveraging Perturbation Robustness to Enhance Out-of-Distribution Detection [15.184096796229115]
  本稿では, インディストリビューション(IND)インプットよりも, 摂動下でのOODインプットの予測信頼度が高いという知見に基づいて, ポストホック法であるPRO(Perturbation-Rectified OOD Detection)を提案する。 CIFAR-10モデルでは、POPは、最先端の手法と比較して、FPR@95において10%以上の削減を実現し、近似OOD入力を効果的に検出する。
  論文  参考訳（メタデータ） (2025-03-24T15:32:33Z)
• Leveraging the true depth of LLMs [46.81174316936993]
  大規模言語モデル(LLM)は、高い計算要求を犠牲にして素晴らしい能力を示す。 近年の研究では、LCMの中間層を相当な精度の損失なく除去または再配列できることが示されている。 本稿では,連続層を並列に評価したペアにグループ化する手法を提案する。
  論文  参考訳（メタデータ） (2025-02-05T00:26:27Z)
• Unmasking the Chameleons: A Benchmark for Out-of-Distribution Detection in Medical Tabular Data [1.161962828740753]
  我々は,近距離OODと遠距離OODを含む一連のテストに対して,異なる手法を比較するベンチマークを提案する。 以上の結果から,この問題は遠方のOODでは解決されるが,近方のOODでは未解決であることが明らかとなった。 トランスフォーマーアーキテクチャは、ResNetやResNetと比べてはるかに信頼性が低い。
  論文  参考訳（メタデータ） (2023-09-28T07:52:01Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。