論文の概要: Is Complex Training Necessary for Long-Tailed OOD Detection? A Re-think from Feature Geometry

• arxiv url: http://arxiv.org/abs/2605.17799v1
• Date: Mon, 18 May 2026 03:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.706648
• Title: Is Complex Training Necessary for Long-Tailed OOD Detection? A Re-think from Feature Geometry
• Title（参考訳）: 長期OOD検出のための複雑な訓練は必要か? : 特徴幾何学からの再考
• Authors: Ningkang Peng, Xuanming Chen, Yanhui Gu,
• Abstract要約: 凍結した長い尾の表現はOODの有用な証拠を既に含んでいるが, 生マハラノビス距離は周波数結合した特徴半径によって歪められ, 尾の共分散は不十分である。 球状多孔型マハラノビス (HPM) は, 単位球上の特徴を正規化し, クラス固有の共分散を, プーリングされたリッジ正規化計量に置き換えるポストホック検出器である。 この単純なPC-ERM+HPMパイプラインは、CIFAR-100-LT上での最高ログ効率スコア(LES; 3.08)も達成し、観測されたCIFAR-100-LT AUROCの95%を維持できる。
• 参考スコア（独自算出の注目度）: 3.7874902461360627
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Long-tailed out-of-distribution (LT-OOD) detection is often addressed with specialized training, including auxiliary out-of-distribution (OOD) data, abstention heads, contrastive objectives, energy losses, or gradient-conflict control. We show that these training mechanisms can obscure a simpler issue: frozen long-tailed representations may already contain useful OOD evidence, but raw Mahalanobis distance is distorted by frequency-coupled feature radius and poorly supported tail covariance. We propose Hyperspherical Pooled Mahalanobis (HPM), a post-hoc detector that normalizes features onto the unit sphere and replaces class-specific covariance with a pooled, ridge-regularized metric while keeping class means as semantic anchors. In CIFAR-LT experiments and an ImageNet-100-LT near-OOD boundary analysis, HPM improves raw Mahalanobis scoring; for Prior-Calibrated ERM (PC-ERM), it raises AUROC from 46.49 to 85.67 on CIFAR-10-LT and from 50.40 to 78.35 on CIFAR-100-LT. This simple PC-ERM+HPM pipeline also achieves the best Log Efficiency Score (LES; 3.08) on CIFAR-100-LT, retaining roughly 95% of the best CIFAR-100-LT AUROC observed among the compared post-hoc scores at substantially lower training-time cost. These results argue for evaluating representation quality, detector geometry, and training complexity as separate factors in LT-OOD detection.
• Abstract（参考訳）: LT-OOD(Long-tailed Out-out-distriion)検出は、OOD(Assistant Out-of-distriion)データ、禁忌ヘッド、コントラスト目的、エネルギー損失、勾配衝突制御などを含む特別な訓練で対処されることが多い。 凍結した長い尾の表現は、既に有用なOOD証拠を含んでいるが、生のマハラノビス距離は周波数結合した特徴半径と不十分な尾の共分散によって歪んでいる。 球状多孔マハラノビス (HPM) は, 単位球面上の特徴を正規化し, クラス固有の共分散を, クラス平均をセマンティックアンカーとして保ちつつ, プール付きリッジ正規化計量に置き換えるポストホック検出器である。 CIFAR-LT実験とImageNet-100-LTニアオード境界解析では、HPMは生マハラノビススコアを改善し、PC-ERMではCIFAR-100-LTで46.49から85.67、CIFAR-100-LTで50.40から78.35にAUROCを上昇させる。 この単純なPC-ERM+HPMパイプラインは、CIFAR-100-LT上での最高ログ効率スコア(LES; 3.08)も達成し、比較したポストホックスコアのうち、約95%のCIFAR-100-LT AUROCをトレーニング時間あたりのかなり低いコストで保持する。 これらの結果は, LT-OOD検出において, 表現品質, 検出器幾何学, 訓練の複雑さを別の要因として評価するものである。

関連論文リスト

• MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse [24.066271161451425]
  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。
  論文  参考訳（メタデータ） (2026-05-14T05:58:19Z)
• GEM-FI: Gated Evidential Mixtures with Fisher Modulation [13.281172506902353]
  Gated Evidential Mixtures (GEM) は、モデル内のエネルギー信号を学習し、それを証拠出力をエンドツーエンドにゲートするために利用するモデルのファミリーである。 GEM-FIはフィッシャーインフォームドレギュレータによる混合割り当てを安定化し、頭部崩壊を低減し、よりスムーズな境界不確実性を生み出す。
  論文  参考訳（メタデータ） (2026-05-05T13:33:27Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Stable Reinforcement Learning for Efficient Reasoning [2.838966689544288]
  GRPO-$lambda$ は GRPO の効率的で安定な変種である。 正当率を監視して報酬戦略を動的に調整する。 平均精度は1.48%向上し、CoT配列の長さは47.3%削減された。
  論文  参考訳（メタデータ） (2025-05-23T16:43:03Z)
• 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)
• 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)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Probabilistic Trust Intervals for Out of Distribution Detection [8.35564578781252]
  本稿では,従来のパラメータを変更することなく,事前学習ネットワークにおけるOOD検出を向上する手法を提案する。 提案手法は,各ネットワーク重みに対する確率的信頼区間を定義し,分布内データを用いて決定する。 我々は,MNIST,Fashion-MNIST,CIFAR-10,CIFAR-100,CIFAR-10-Cについて検討した。
  論文  参考訳（メタデータ） (2021-02-02T06:23:04Z)
• 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。