論文の概要: Early High-Frequency Injection for Geometry-Sensitive OOD Detection

• arxiv url: http://arxiv.org/abs/2605.20728v1
• Date: Wed, 20 May 2026 05:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.494066
• Title: Early High-Frequency Injection for Geometry-Sensitive OOD Detection
• Title（参考訳）: 幾何感度OOD検出のための早期高周波注入
• Authors: Chuanjie Cheng, Ningkang Peng, Chenxi Liu, Yifan He, Peirong Ma, Yanhui Gu,
• Abstract要約: ポストホックOOD検出器は、訓練後にロジットや特徴をスコアするので、その成功は、既に表現にエンコードされている幾何学に依存する。 我々は、CE、SimCLR、SupCon、OOD指向表現法PALMのバンドワイズMDD2解析により、この仮定を再検討する。 この観察は、トレーニング目標を変更することなく、第1の畳み込みの前に高周波証拠を公開する入力側介入であるEIHFを動機付ける。
• 参考スコア（独自算出の注目度）: 11.986533367260952
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Post-hoc OOD detectors score logits or features after training, so their success depends on the geometry already encoded in the representation. We revisit this assumption through a band-wise MMD^2 analysis across CE, SimCLR, SupCon, and the OOD-oriented representation method PALM. In our diagnostic, low-frequency input bands induce weaker ID/OOD feature discrepancy, whereas higher-frequency bands tend to provide stronger separability. This observation motivates EIHF, an input-side intervention that exposes high-frequency evidence before the first convolution without changing the training objective. EIHF is strongest for geometry-sensitive OOD detection: under matched training and scoring settings, it reshapes class-conditional feature geometry and reduces ID/OOD Mahalanobis score overlap. Experiments on CIFAR-100 and ImageNet-100 show gains on CIFAR-100 and the best average FPR95 with second-best average AUROC on ImageNet-100, while also revealing a limitation on the scene-centric Places shift. Code is available at https://anonymous.4open.science/r/EIHF.
• Abstract（参考訳）: ポストホックOOD検出器は、訓練後にロジットや特徴をスコアするので、その成功は、既に表現にエンコードされている幾何学に依存する。 我々は、CE、SimCLR、SupCon、OOD指向表現法PALMのバンドワイズMDD^2分析により、この仮定を再検討する。 我々の診断では、低周波入力バンドはより弱いID/OOD特徴差を誘発するが、高周波入力バンドはより強い分離性をもたらす傾向にある。 この観察は、トレーニング目標を変更することなく、第1の畳み込みの前に高周波証拠を公開する入力側介入であるEIHFを動機付ける。 EIHFは、一致したトレーニングとスコア設定の下で、クラス条件の特徴幾何を再認識し、ID/OODマハラノビススコアのオーバーラップを低減する。 CIFAR-100とImageNet-100の実験では、CIFAR-100と最も平均的なFPR95が、ImageNet-100では平均2番目に高いAUROCが、シーン中心のPlacesシフトに制限があることが示されている。 コードはhttps://anonymous.4open.science/r/EIHFで入手できる。

関連論文リスト

• A Robust Out-of-Distribution Detection Framework via Synergistic Smoothing [14.102179108540161]
  最先端のOOD検出器は敵の攻撃に非常に敏感である。 我々は、新しい、堅牢なポストホックOOD検出器であるROSを提案する。 ROSSはスコア最小化攻撃とスコア最大化攻撃の両方に強く反対する。
  論文  参考訳（メタデータ） (2026-05-05T15:45:38Z)
• 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)
• BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse [16.533348266403515]
  アウト・オブ・ディストリビューション(OOD)検出は、画像分類器を安全に敏感な環境に配置するために重要である。 我々は,IDデータからのみブートストラップを行う,完全に自己管理されたOOD検出フレームワークであるBootOODを提案する。 この結果から,BootOODはポストホック法よりも優れ,アウトレイラ露光のないトレーニングベースの手法を超越し,最先端のアウトレイラ露光手法と競合することを示した。
  論文  参考訳（メタデータ） (2025-11-17T16:12:31Z)
• Knowledge Regularized Negative Feature Tuning of Vision-Language Models for Out-of-Distribution Detection [54.433899174017185]
  信頼性の高い機械学習モデルを構築するには、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。 我々はKR-NFT(Knowledge Regularized Negative Feature Tuning)と呼ばれる新しい手法を提案する。 NFTは、事前訓練されたテキスト特徴に分布認識変換を適用し、正および負の特徴を異なる空間に効果的に分離する。 ImageNetデータセットから数発のサンプルをトレーニングすると、KR-NFTはID分類精度とOOD検出を改善するだけでなく、FPR95を5.44%削減する。
  論文  参考訳（メタデータ） (2025-07-26T07:44:04Z)
• AdaSCALE: Adaptive Scaling for OOD Detection [1.6921396880325779]
  オフ・オブ・ディストリビューション(OOD)検出法は、アクティベーション・シェーピングを利用して、イン・ディストリビューション(ID)とOOD入力の分離を改善する。 サンプルのOOD推定値に基づいてパーセンタイル閾値を動的に調整する適応スケーリング手法である textbfAdaSCALE を提案する。 我々の手法は最先端のOOD検出性能を実現し、最新のライバルであるOpsFSを14.94%上回り、ImageNet-1kベンチマークでは平均FPR@95で21.67%上回っている。
  論文  参考訳（メタデータ） (2025-03-11T04:10:06Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Scaling for Training Time and Post-hoc Out-of-distribution Detection Enhancement [41.650761556671775]
  本稿では,最近の最先端のアウト・オブ・ディストリビューション(OOD)検出手法に関する知見と分析を行う。 我々は,活性化拡大がOOD検出に有害な影響を及ぼす一方で,活性化スケーリングが促進されることを実証した。 OpenOOD v1.5 ImageNet-1Kベンチマークで、AUROCスコアは、近OODでは+1.85%、遠OODデータセットでは+0.74%である。
  論文  参考訳（メタデータ） (2023-09-30T02:10:54Z)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• AUTO: Adaptive Outlier Optimization for Test-Time OOD Detection [79.51071170042972]
  Out-of-Distribution (OOD) 検出は、任意のトレーニングインディストリビューション(ID)クラスに該当しないテストサンプルを検出することを目的としている。 データ安全性とプライバシにより、さまざまなシナリオに対して、事前にタスク固有の外れ値の収集が不可能になる。 テスト中にラベルのないデータストリームから実際のOODデータを利用することができる。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• 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。