論文の概要: AOE: Exhaustive Out-of-Distribution Detection via Recalibrating Outlier Labels

• arxiv url: http://arxiv.org/abs/2605.28021v1
• Date: Wed, 27 May 2026 06:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.799206
• Title: AOE: Exhaustive Out-of-Distribution Detection via Recalibrating Outlier Labels
• Title（参考訳）: AOE:外部ラベルの校正によるアウト・オブ・ディストリビューション検出
• Authors: Fengqiang Wan, Qing-Yuan Jiang, Yang Yang,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドおよびセーフティクリティカルなシナリオに機械学習モデルをデプロイするために不可欠である。 本稿では, 温度スケーリングを利用して外付けラベルを校正する簡易かつ効果的な手法である underlineAdaptive Confidence underlineOE (AOE) を提案する。
• 参考スコア（独自算出の注目度）: 7.13211812738884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is essential for deploying machine learning models in open-world and safety-critical scenarios, where test inputs may deviate from the training distribution and overconfident predictions on unknown samples can lead to unreliable decisions. Outlier Exposure (OE) has emerged as a promising OOD detection paradigm by introducing auxiliary outliers during training to enlarge the margin between in-distribution (ID) and OOD samples. Existing OE-based methods typically enlarge this margin by employing uniform labels to maximize the entropy of OOD samples over ID categories. However, we theoretically show that uniform labels inevitably disregard the relations between OOD samples and ID categories, termed the over-softening effect, leading to a suboptimal margin bound. Our theoretical analysis further reveals that explicitly exploiting such relations can instead yield improved OOD detection performance. Motivated by this insight, we propose \underline{A}daptive Confidence \underline{OE} (AOE), a simple yet effective method that leverages temperature scaling to recalibrate outlier labels. Specifically, AOE generates adaptive soft targets from temperature-scaled model predictions for OOD samples, where the learnable temperature smooths the prediction distribution without fully erasing class-wise relational information. By supervising OOD samples with these adaptive soft targets, AOE preserves the semantic proximity between OOD samples and ID categories while encouraging the softened targets to approach a high-entropy distribution, thereby suppressing overconfident OOD predictions and enlarging the separation margin. Extensive experiments across diverse benchmarks demonstrate the effectiveness of AOE.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、テスト入力がトレーニング分布から逸脱し、未知のサンプルに対する過信予測が信頼できない決定につながるような、オープンワールドおよびセーフティクリティカルなシナリオに機械学習モデルをデプロイするために不可欠である。 外乱露光(OE: Outlier Exposure)は、トレーニング中に補助外乱計を導入し、分布内(ID)とOODサンプルのマージンを拡大することで、有望なOOD検出パラダイムとして登場した。 既存のOEベースの手法では、IDカテゴリに対するOODサンプルのエントロピーを最大化するために一様ラベルを用いることで、このマージンを拡大するのが一般的である。 しかし, 統一ラベルはOODサンプルとIDカテゴリの関係を必然的に無視し, 過軟化効果とよばれ, 準最適マージン境界を導いた。 このような関係を明示的に活用することで、OOD検出性能が向上することが、我々の理論分析により明らかとなった。 この知見に触発されて, 温度スケーリングを利用して外れ値ラベルを再分類する, 単純かつ効果的な方法である \underline{A}daptive Confidence \underline{OE} (AOE) を提案する。 具体的には、OODサンプルの温度スケールモデル予測から適応的ソフトターゲットを生成し、学習可能な温度はクラス関係情報を完全に消去することなく予測分布を円滑にする。 これらの適応的ソフトターゲットを用いてOODサンプルを監視することにより、AOEはOODサンプルとIDカテゴリ間のセマンティックな近接性を保ちながら、ソフト化されたターゲットが高エントロピー分布に近づくよう促し、過剰なOOD予測を抑え、分離マージンを大きくする。 様々なベンチマークにわたる大規模な実験は、AOEの有効性を示している。

関連論文リスト

• Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
  オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。 本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。 高いID分類性能を維持しながら強力なOOD検出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T04:00:57Z)
• Predictive Sample Assignment for Semantically Coherent Out-of-Distribution Detection [62.1052001316508]
  セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SCOOD)は、最近提案された現実的なOOD検出設定である。 予測サンプル割当て(PSA)に基づく簡潔SCOODフレームワークを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2025-12-15T01:18:38Z)
• 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)
• Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
  本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。 MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。 画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-09-22T05:40:25Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)
• Know Your Space: Inlier and Outlier Construction for Calibrating Medical OOD Detectors [39.8194799829348]
  我々は、よく校正されたアウト・オブ・ディストリビューション検出器(OOD)の開発に焦点をあてる。 適切なキャリブレーションデータセットのキュレーションが困難であるために、合成オーグメンテーションは不整合/不整合仕様において非常に普及している。 最適プロトコルは,様々な画素空間外値とともに潜在空間不整形を合成することである。
  論文  参考訳（メタデータ） (2022-07-12T03:42:05Z)
• Out of Distribution Detection via Neural Network Anchoring [38.36467447555689]
  分布外検出のためのキャリブレーション戦略としてヘテロセシダスティック温度スケーリングを利用する。 本研究では,各試料の適切な温度値を推定できるアンカー方式を提案する。 優れたOOD検出手法のいくつかとは対照的に、我々の手法は追加の外部データセットへの露出を必要としない。
  論文  参考訳（メタデータ） (2022-07-08T21:01:09Z)
• Self-Supervised Anomaly Detection by Self-Distillation and Negative Sampling [1.304892050913381]
  また, 負の例と対照的に, 分散学習セットの自己蒸留はOOD検出を強く向上させることを示した。 低レベルの特徴の統計を高レベルのセマンティクスを変更しながら保持する負のサンプルを活用することにより、より高い平均検出性能が得られることを観察する。
  論文  参考訳（メタデータ） (2022-01-17T12:33:14Z)
• 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。