論文の概要: MaRS: Robust Out-of-Distribution Detection via Mahalanobis Residual Scoring
- arxiv url: http://arxiv.org/abs/2606.22649v1
- Date: Sun, 21 Jun 2026 19:45:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:11:47.070923
- Title: MaRS: Robust Out-of-Distribution Detection via Mahalanobis Residual Scoring
- Title（参考訳）: MARS:Mahalanobis残像によるロバストアウトオブディストリビューション検出
- Authors: Francesco Di Salvo, Sebastian Doerrich, Christian Ledig,
- Abstract要約: 医用画像の安全な配置には,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。
最近のポストホック検出器は凍結埋め込みを効率的に利用している。
遅延特徴空間における再構成に基づくOOD検出は、一貫性のない性能のため、限定的に採用されている。
- 参考スコア（独自算出の注目度）: 2.0480448867367476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Foundation models provide highly descriptive representations for medical images, yet their reliability degrades under distribution shifts arising from changes in patients, devices, or acquisition conditions. Reliable out-of-distribution (OOD) detection is therefore essential for safe deployment. Recent post-hoc detectors efficiently exploit frozen embeddings (\emph{e.g.}, kNN), whereas reconstruction-based OOD detection in latent feature space has seen limited adoption due to inconsistent performance. In this work, we show that the limitation of reconstruction-based methods in latent space does not stem from poor reconstruction quality, but from how reconstruction errors are scored. Standard $L_2$ residual norms collapse the anisotropic residual structure, thereby suppressing informative deviations. To address this limitation, we introduce \texttt{MaRS} (Mahalanobis Residual Scoring), a label-free OOD detector that learns an in-distribution manifold using a lightweight autoencoder and measures deviation via a Mahalanobis distance on reconstruction residuals, yielding variance-aware OOD scores. Across three imaging modalities, multiple types of distribution shift, and different model families and scales, \texttt{MaRS} outperforms established confidence-, distance-, and reconstruction-based baselines, while remaining fully post-hoc and lightweight. The code is available at https://github.com/francescodisalvo05/mars.
- Abstract（参考訳）: ファンデーションモデルは、医療画像に非常に説明力のある表現を提供するが、その信頼性は、患者、デバイス、または取得条件の変化によって生じる分散シフトによって低下する。
したがって、安全な配置には信頼性の高いアウト・オブ・ディストリビューション(OOD)検出が不可欠である。
近年のポストホック検出器は, 凍結埋没部 (\emph{e g }, kNN) を効率よく利用している。
本研究では, 遅延空間における再構成手法の限界は, 復元精度の低下に起因するものではなく, 再構成誤差の獲得方法に起因していることを示す。
標準$L_2$残留ノルムは異方性残留構造を崩壊させ、情報偏差を抑制する。
この制限に対処するために,軽量オートエンコーダを用いて分布多様体を学習し,マハラノビス距離を復元残差に用いて偏差を測定するラベルフリー OOD 検出器である \texttt{MaRS} (Mahalanobis Residual Scoring) を導入する。
3つの画像モダリティ、複数種類の分布シフト、異なるモデルファミリとスケールにおいて、 \texttt{MaRS} は信頼性、距離、再構築に基づくベースラインを上回り、完全にポストホックで軽量なままである。
コードはhttps://github.com/francescodisalvo05/mars.comで公開されている。
関連論文リスト
- Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
STORMは空間対応のトークン還元フレームワークである。
空間単位上の構造演算に還元を再構成する。
様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
論文 参考訳（メタデータ） (2026-06-18T08:31:11Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - Robust Uncertainty Estimation under Distribution Shift via Difference Reconstruction [2.920726125254978]
深層学習モデルの不確実性を推定することは、医用画像などの高精細な応用において、信頼性の高い意思決定に不可欠である。
以前の研究では、入力サンプルと再構成されたバージョンの違いが不確実性の指標となることが確認されている。
本研究では、2つの中間層からの入力を再構成し、その出力間の差を不確かさスコアとして測定することにより、この制限を緩和する差分再構成不確実性推定法(DRUE)を提案する。
論文 参考訳（メタデータ） (2026-01-27T08:23:00Z) - Toward Architecture-Agnostic Local Control of Posterior Collapse in VAEs [0.6144680854063939]
変分オートエンコーダ(VAE)は、生成されたサンプルの多様性を低下させる現象である後部崩壊に苦しむことが知られている。
本稿では,特定の構造に制約を加えることなく後部崩壊を制御するために,射影関数と合成関数の数学的性質に着想を得た遅延再構成(LR)損失を提案する。
MNIST, fashionMNIST, Omniglot, CelebA, FFHQなどの各種データセットの後方崩壊を制御する手法を実験的に評価した。
論文 参考訳（メタデータ） (2025-08-17T23:45:41Z) - Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。
現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。
拡散に基づく階層的意味再構成手法を提案する。
論文 参考訳（メタデータ） (2024-11-16T04:54:07Z) - Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection [35.46541584018842]
教師なし異常検出(UAD)法は、異常を外れ値として識別するために健全なデータ分布に依存する。
脳MRIでは、再生モデルが正常な脳MRIを再構成し、異常が入力と再構成のずれとして検出される。
我々は確率的拡散モデルを用いて複数の再構成を構築し、マハラノビス距離を用いてこれらの再構成結果の分布を分析し、異常を外れ値として同定する。
論文 参考訳（メタデータ） (2024-07-17T11:02:31Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Mind the Backbone: Minimizing Backbone Distortion for Robust Object
Detection [52.355018626115346]
ドメインシフトに対して堅牢なオブジェクト検出器を構築することは、現実世界のアプリケーションにとって重要なことです。
我々は,ゆがみを特徴付けるバックボーンの脆弱性を測定する手段として,相対勾配ノルム(Relative Gradient Norm)を提案する。
両バックボーンのOOD堅牢性を高めるためのレシピを提案する。
論文 参考訳（メタデータ） (2023-03-26T14:50:43Z) - READ: Aggregating Reconstruction Error into Out-of-distribution
Detection [5.069442437365223]
ディープニューラルネットワークは異常なデータに対する過信であることが知られている。
本稿では,READ(Reconstruction Error Aggregated Detector)を提案する。
本手法は,従来のOOD検出アルゴリズムと比較して,FPR@95TPRの平均値を最大9.8%削減する。
論文 参考訳（メタデータ） (2022-06-15T11:30:41Z)
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。