論文の概要: MM++: Unsupervised Scale-Invariant Multilayer OOD Detection via Top-K Gated Feature Fusion
- arxiv url: http://arxiv.org/abs/2606.17352v1
- Date: Mon, 15 Jun 2026 22:52:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.168635
- Title: MM++: Unsupervised Scale-Invariant Multilayer OOD Detection via Top-K Gated Feature Fusion
- Title（参考訳）: MM++:Top-K Gated Feature Fusionによる教師なしスケール不変多層OOD検出
- Authors: Rahim Hossain, Md Tawheedul Islam Bhuian, Md Farhan Shadiq, Kyoung-Don Kang,
- Abstract要約: MM++は、アウト・オブ・ディストリビューション(OOD)検出のための完全な教師なし、厳密なポストホック、スケール不変のフレームワークである。
まず、鋭い意味的圧縮の境界を示すエントロピー密度の低下を測定することによって、識別可能な中間層を識別する。
これらの選択した層を終端表現と融合させることで、このフレームワークは初期層ノイズを緩和しつつ、潜時的な層間相関を捕捉する。
- 参考スコア（独自算出の注目度）: 0.4666493857924358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce MM++ (Multilayer Mahalanobis++), a fully unsupervised, strictly post-hoc, and scale-invariant framework for Out-of-Distribution (OOD) detection. To address the trade-off between scale invariance and hierarchical expressivity, MM++ constructs a principled joint feature space. It first identifies discriminative intermediate layers by measuring entropy density drops, which mark the boundaries of sharp semantic compression. By fusing these selected layers with the terminal representation, the framework captures latent cross-layer correlations while mitigating early-layer noise. Crucially, a Ledoit-Wolf regularized tied covariance matrix stabilizes this unified space, enabling reliable distance estimation. Requiring no auxiliary OOD data, classifier fine-tuning, or architectural modifications, MM++ delivers robust performance across distinct architectures for both near- and far-OOD detection.
- Abstract（参考訳）: MM++(Multilayer Mahalanobis++)は、完全に教師なし、厳密なポストホックであり、アウト・オブ・ディストリビューション(OOD)検出のためのスケール不変のフレームワークである。
スケール不変性と階層的表現性の間のトレードオフに対処するため、MM++は原則付きジョイント特徴空間を構築している。
まず、鋭い意味的圧縮の境界を示すエントロピー密度の低下を測定することによって、識別可能な中間層を識別する。
これらの選択した層を終端表現と融合させることで、このフレームワークは初期層ノイズを緩和しつつ、潜時的な層間相関を捕捉する。
重要なことに、レドイ=ウルフ正規化共分散行列は、この統一空間を安定化させ、信頼できる距離推定を可能にする。
補助的なOODデータ、分類器の微調整、アーキテクチャの変更を必要としないMM++は、近距離および遠距離の両方で異なるアーキテクチャ間で堅牢なパフォーマンスを提供する。
関連論文リスト
- AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Inference Time Causal Probing in LLMs [26.69306706280534]
因果探索において、介入は、プロパティが異なる値を取るように隠された状態を変更する。
隠れ状態を直接制御するプローブレス勾配法であるHidden-state Driven Margin Intervention (HDMI)を提案する。
HDMIはLGD契約コーパスやCausalGymベンチマークの従来の方法よりも信頼性が高い。
論文 参考訳（メタデータ） (2026-05-08T11:59:13Z) - RADMI: Latent Information Aggregation as a Proxy for Model Uncertainty [12.261505821589452]
セグメンテーションネットワークにおけるデコーダ層間の相互情報を測定することにより,予測の不確かさを推定するシングルパス手法を提案する。
RADMIは,すべてのシングルパス方式において,深いアンサンブルの不確実性と高い相関を達成している。
この結果から,正規化情報フローの線形集約は,エンコーダ・デコーダアーキテクチャにおける予測の不確実性に対して,原理的かつ効率的なプロキシを提供する可能性が示唆された。
論文 参考訳（メタデータ） (2026-05-02T15:49:25Z) - 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) - MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす
マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
論文 参考訳（メタデータ） (2026-01-03T14:58:52Z) - GROOD: GRadient-Aware Out-of-Distribution Detection [11.511906612904255]
現実世界のアプリケーションにおけるディープラーニングモデルの信頼性を確保するためには、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。
In-distriion (ID) トレーニングデータから直接 OOD プロトタイプを抽出し,クラスプロトタイプを演算する GRADient-Aware Out-Of-Distribution Detection (GROOD) を提案する。
論文 参考訳（メタデータ） (2023-12-22T04:28:43Z) - 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) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。