論文の概要: TINS: Test-time ID-prototype-separated Negative Semantics Learning for OOD Detection

• arxiv url: http://arxiv.org/abs/2605.10756v1
• Date: Mon, 11 May 2026 15:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.955197
• Title: TINS: Test-time ID-prototype-separated Negative Semantics Learning for OOD Detection
• Title（参考訳）: TINS:OOD検出のためのテスト時間ID-プロトタイプ分離負意味論的学習
• Authors: Yifeng Yang, Jubo Feng, Jing Xu, Xinbing Wang, Qinying Gu, Nanyang Ye,
• Abstract要約: 視覚言語モデルは、イメージアライメントとIDラベルと負のセマンティクスを比較することで、OOD検出を可能にする。 textbfTest-time textbfID-prototype-separated textbfNegative textbfSemantics learning method, called textbfTINS。
• 参考スコア（独自算出の注目度）: 38.57804454312654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models enable OOD detection by comparing image alignment with ID labels and negative semantics. Existing negative-label-based methods mainly rely on static negative labels constructed before inference, limiting their ability to cover diverse and evolving OOD concepts. Although test-time expansion provides a natural solution, naively learning negative semantics from potential OOD samples may introduce hard ID contamination. To address this issue, we propose a \textbf{T}est-time \textbf{I}D-prototype-separated \textbf{N}egative \textbf{S}emantics learning method, termed \textbf{TINS}. TINS learns sample-specific negative text embeddings via image-to-text modality inversion and introduces ID-prototype-separated regularization to keep them separated from ID semantics. To further stabilize negative semantics expansion, TINS employs group-wise aggregation scoring and a buffer update strategy. Extensive experiments across Four-OOD, OpenOOD, Temporal-shift, and Various ID settings show consistent improvements over strong baselines. Notably, on the Four-OOD benchmark with ImageNet-1K as ID, TINS reduces the average FPR95 from 14.04\% to 6.72\%. Our code is available at https://github.com/zxk1212/tins.
• Abstract（参考訳）: 視覚言語モデルは、イメージアライメントとIDラベルと負のセマンティクスを比較することで、OOD検出を可能にする。 既存の負ラベルベースの手法は主に推論の前に構築された静的な負ラベルに依存しており、多様なOOD概念をカバーする能力を制限する。 テスト時間拡張は自然な解を提供するが、潜在的なOODサンプルから否定的な意味論を学ぶことはハードID汚染をもたらす可能性がある。 この問題に対処するために, テキストbf{T}est-time \textbf{I}D-prototype-separated \textbf{N}egative \textbf{S}emantics learning method, called \textbf{TINS}を提案する。 TINSは、画像からテキストへのモダリティの変換を通じてサンプル固有の負のテキスト埋め込みを学習し、ID-prototype-sparated regularizationを導入し、それらをIDセマンティクスから分離する。 ネガティブセマンティクスの展開をさらに安定化させるために、TINSはグループワイドアグリゲーションスコアとバッファ更新戦略を採用している。 Four-OOD、OpenOOD、Temporal-shift、および各種ID設定の広範な実験は、強いベースラインよりも一貫した改善を示している。 特に、ImageNet-1K を ID とする Four-OOD ベンチマークでは、TINS は平均 FPR95 を 14.04 % から 6.72 % に削減している。 私たちのコードはhttps://github.com/zxk1212/tinsで利用可能です。

関連論文リスト

• Mind the Way You Select Negative Texts: Pursuing the Distance Consistency in OOD Detection with VLMs [80.03370593724422]
  Out-of-Distribution (OOD) は未知のクラスからサンプルを識別する。 現在の手法では、否定的なテキストとIDラベルを比較するなど、OOD検出中にモード内距離を組み込むことが多い。 テキストおよび視覚的視点から一貫したモーダル距離拡張を体系的に利用するフレームワークであるInterNegを提案する。
  論文  参考訳（メタデータ） (2026-03-03T05:44:47Z)
• AdaNeg: Adaptive Negative Proxy Guided OOD Detection with Vision-Language Models [15.754054667010468]
  事前学習された視覚言語モデルは、負のラベルをガイダンスとして使用することにより、配布外サンプル(OOD)を特定するのに効果的である。 我々は,実際のOOD画像の探索により,テスト中に動的に生成されるテクスタダプティブな負のプロキシを提案する。 AUROCは2.45%増加し,FPR95は6.48%低下した。
  論文  参考訳（メタデータ） (2024-10-26T11:20:02Z)
• 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)
• Learning Transferable Negative Prompts for Out-of-Distribution Detection [22.983892817676495]
  負のプロンプトを学習するための新しいOOD検出手法「NegPrompt」を提案する。 外部の外れ値データに依存することなく、IDデータのみでそのような負のプロンプトを学習する。 さまざまなImageNetベンチマークの実験では、NegPromptが最先端のプロンプトベースのOOD検出方法を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-04T07:07:34Z)
• Out-of-Distributed Semantic Pruning for Robust Semi-Supervised Learning [17.409939628100517]
  我々は,OODセマンティック・プルーニング(OSP)と呼ばれる統合フレームワークを提案する。 OSPは、ID分類の精度を13.7%、TinyImageNetデータセットのOOD検出のAUROCの5.9%に上回っている。
  論文  参考訳（メタデータ） (2023-05-29T15:37:07Z)

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。