論文の概要: MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse
- arxiv url: http://arxiv.org/abs/2605.14413v1
- Date: Thu, 14 May 2026 05:58:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.649352
- Title: MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse
- Title（参考訳）: MahaVar: ニューラルネットワークによるクラスワイドマハラノビス距離変動によるOOD検出
- Authors: Donghwan Kim, Hyunsoo Yoon,
- Abstract要約: 我々は,MahaVarを提案する。MahaVarは,マハラノビス距離をクラスワイド距離分散項で増大させる,シンプルで効果的なポストホックOOD検出器である。
MahaVarはCIFAR-100とImageNetで最先端のパフォーマンスを実現しており、既存のMahalanobisベースのメソッドよりもAUROCとFPR@95が一貫して改善されている。
- 参考スコア（独自算出の注目度）: 24.066271161451425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-distribution (OOD) detection is a critical component for ensuring the reliability of deep neural networks in safety-critical applications. In this work, we present a key empirical observation: for in-distribution (ID) samples, class-wise Mahalanobis distances exhibit a pronounced sharp minimum structure, where the distance to the nearest class is small while distances to all other classes remain large, resulting in high variance across classes. In contrast, OOD samples tend to exhibit a less pronounced sharp minimum structure, producing comparatively lower variance across classes. We further provide a theoretical analysis grounding this observation in Neural Collapse geometry: under relaxed Neural Collapse assumptions on within-class compactness and inter-class separation, ID samples are shown to structurally exhibit high class-wise distance variance, offering a theoretical basis for its use as an OOD score. Motivated by this observation and its theoretical backing, we propose MahaVar, a simple and effective post-hoc OOD detector that augments the Mahalanobis distance with a class-wise distance variance term. Following the OpenOOD v1.5 benchmark protocol, MahaVar achieves state-of-the-art performance on CIFAR-100 and ImageNet, with consistent improvements in both AUROC and FPR@95 over existing Mahalanobis-based methods across all benchmarks.
- Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルなアプリケーションにおけるディープニューラルネットワークの信頼性を保証する重要なコンポーネントである。
本研究では,非分布(ID)サンプルに対して,クラスワイドのマハラノビス距離は,最も近いクラスへの距離が小さく,他のクラスへの距離が大きなままであり,クラス間のばらつきが大きいという,顕著な最小構造を示す。
対照的に、OODサンプルはより顕著な最小構造を示す傾向にあり、クラス間で比較的低い分散をもたらす。
さらに、この観測を神経崩壊幾何学(Neural Collapse geometry)において基礎づけた理論的分析を行い、内部のコンパクトさとクラス間分離に関する緩和されたニューラル崩壊の仮定の下で、IDサンプルは、高いクラスワイド距離のばらつきを構造的に示し、OODスコアとしての使用の理論的基礎を提供する。
この観測と理論的な裏付けにより、我々はマハラノビス距離をクラスワイド距離分散項で増大させるシンプルで効果的なポストホックOOD検出器MahaVarを提案する。
OpenOOD v1.5ベンチマークプロトコルに続いて、MahaVarはCIFAR-100とImageNetの最先端のパフォーマンスを達成し、すべてのベンチマークで既存のMahalanobisベースのメソッドよりもAUROCとFPR@95を一貫して改善した。
関連論文リスト
- Prototype Fusion: A Training-Free Multi-Layer Approach to OOD Detection [0.8394724589095839]
中間層がOOD検出に等しくリッチで差別的な情報を符号化していることを示す。
複数の層にまたがる内部表現を利用するモデルに依存しない手法を提案する。
本手法は,画像分類における頑健でアーキテクチャに依存しない性能と強力な一般化を実現する。
論文 参考訳（メタデータ） (2026-03-24T19:32:13Z) - WeiPer: OOD Detection using Weight Perturbations of Class Projections [11.130659240045544]
入力のよりリッチな表現を生成する最終完全連結層にクラスプロジェクションの摂動を導入する。
我々はOpenOODフレームワークの複数のベンチマークで最先端のOOD検出結果を得る。
論文 参考訳（メタデータ） (2024-05-27T13:38:28Z) - Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。
IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。
本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
論文 参考訳（メタデータ） (2024-04-24T03:25:53Z) - Detecting Out-of-Distribution Through the Lens of Neural Collapse [7.04686607977352]
Out-of-Distribution (OOD) 検出は安全なデプロイメントに不可欠である。
ニューラル・コラプス現象に触発されて,我々は多目的かつ効率的なOOD検出法を提案する。
論文 参考訳（メタデータ） (2023-11-02T05:18:28Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - RankFeat: Rank-1 Feature Removal for Out-of-distribution Detection [65.67315418971688]
textttRankFeat は OOD 検出のためのシンプルだが効果的な textttpost hoc アプローチである。
textttRankFeatは、Emphstate-of-the-artパフォーマンスを実現し、以前のベストメソッドと比較して平均偽陽性率(FPR95)を17.90%削減する。
論文 参考訳（メタデータ） (2022-09-18T16:01:31Z) - 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) - How to Exploit Hyperspherical Embeddings for Out-of-Distribution
Detection? [22.519572587827213]
CIDERは、OOD検出に超球面埋め込みを利用する表現学習フレームワークである。
CIDERは優れたパフォーマンスを確立し、FPR95では19.36%で最新のライバルを上回った。
論文 参考訳（メタデータ） (2022-03-08T23:44:01Z) - Label Smoothed Embedding Hypothesis for Out-of-Distribution Detection [72.35532598131176]
我々は,$k$-NN 密度推定値を用いて OOD サンプルを検出する教師なし手法を提案する。
emphLabel Smoothed Embedding hypothesis と呼ばれるラベル平滑化に関する最近の知見を活用する。
提案手法は,多くのOODベースラインを上回り,新しい有限サンプル高確率統計結果を提供することを示す。
論文 参考訳（メタデータ） (2021-02-09T21:04:44Z) - 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。