論文の概要: Evidence-Guided Unknown Rejection for High-Confidence Near-Known Unknowns

• arxiv url: http://arxiv.org/abs/2605.17818v1
• Date: Mon, 18 May 2026 03:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.79007
• Title: Evidence-Guided Unknown Rejection for High-Confidence Near-Known Unknowns
• Title（参考訳）: 高信頼近知識未知者に対するエビデンスガイド付き未知解法
• Authors: Xi Chen, Yingjun Xiao, Gang Fang,
• Abstract要約: オープンセット認識システムは無視された障害モードに直面していることを示す。 EGUR-Aを提案するが、このサンプルのスコアは十分高いのか?」と、この予測された既知のクラスは、このサンプルを受け入れるのに十分な証拠を持っているのか?」。
• 参考スコア（独自算出の注目度）: 4.320698236637654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set recognition systems face a neglected failure mode: high-confidence near-known unknowns, which lie outside the known label set but are close enough to known classes that a closed-set classifier accepts them with high confidence. We show that this failure is widespread across scalar-threshold methods, including recent post-hoc detectors, and that stronger encoders can amplify rather than remove the risk. We propose EGUR-A, which changes the decision from ``is this sample's score high enough?'' to ``does this predicted known class have sufficient evidence to accept this sample?'' EGUR-A combines class-conditional local acceptance evidence with global residual evidence, and selects their relative weight from known-sample statistics without unknown validation data. Across CUB, FGVC-Aircraft, and ImageNet-hard, EGUR-A substantially reduces high-confidence false known acceptance at matched known-rejection operating points. The result is not a stronger threshold; it is a different question: whether a known class is entitled to accept a sample.
• Abstract（参考訳）: オープンセット認識システムは無視された障害モードに直面している: 高信頼に近い未知は既知のラベルセットの外にあるが、クローズドセット分類器がそれらを高い信頼で受け入れる既知のクラスに十分近い。 この故障は、最近のポストホック検出器を含むスカラースレッショルド法にまたがっており、より強力なエンコーダがリスクを除去するよりも増幅できることが示されている。 EGUR-Aは「このサンプルのスコアは十分高いのか?」から「この予測された既知のクラスは、このサンプルを受け入れるのに十分な証拠を持っているのか?」への決定を変更し、クラス条件の局所的受容証拠とグローバルな残留証拠を組み合わせたEGUR-Aの提案を行い、その相対重みを未知の検証データなしで既知のサンプル統計から選択する。 CUB、FGVC-Aircraft、ImageNet-hardの他、EGUR-Aは一致した未知の操作点における高い信頼度を著しく低減する。 結果は強いしきい値ではなく、既知のクラスがサンプルを受け入れる権利があるかどうかという別の問題である。

関連論文リスト

• Known Meets Unknown: Mitigating Overconfidence in Open Set Recognition [4.377912830814393]
  Open Set Recognition (OSR) は、既知のクラスを正確に分類し、未知のサンプルを効果的に拒否するモデルを必要とする。 未知のサンプルが既知のクラスとセマンティックに類似している場合、特徴空間におけるクラス間オーバーラップは、しばしばモデルに不当に高い信頼を割り当てる。 クラス間重複に起因する過信を明示的に緩和するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T09:56:44Z)
• Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
  本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。 本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-05-27T11:56:59Z)
• Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary [10.054397736100245]
  FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するためにオープンセット検出器を訓練することを目的としている。 本手法は,従来の最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-26T15:48:24Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Taking Class Imbalance Into Account in Open Set Recognition Evaluation [0.3626013617212667]
  本研究はオープンセット認識のための手法の評価について考察する。 問題解析の結果として,本分野における手法評価のガイドラインを提示する。
  論文  参考訳（メタデータ） (2024-02-09T11:15:49Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
  不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。 近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。 分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-11T19:47:00Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。