論文の概要: MARVEL: Margin-Aware Robust von Mises-Fischer Expert Learning for Long-Tailed Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2607.02435v1
- Date: Thu, 02 Jul 2026 17:06:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.938148
- Title: MARVEL: Margin-Aware Robust von Mises-Fischer Expert Learning for Long-Tailed Out-of-Distribution Detection
- Title（参考訳）: MARVEL:長期アウトオブディストリビューション検出のためのMargin-Aware Robust von Mises-Fischer Expert Learning
- Abstract要約: ディープモデルは、通常、アウト・オブ・ディストリビューション(OOD)の入力を高い信頼性で誤分類する。
既存の文献のほとんどは、バランスの取れたデータセットを前提としている。
多様な不均衡な医療データセットを訓練する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.8886706641070187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For clinical deployment, it is essential that automated diagnostic systems remain reliable when confronted with previously unseen cases, yet deep models routinely misclassify out-of-distribution (OOD) inputs with high confidence, underscoring the need for more robust OOD detection methods. Although substantial effort has been devoted to improving model robustness, most of the existing literature assumes balanced datasets, evaluates OOD detection on coarse or non-clinical OOD sources, or lacks comprehensive assessment across diverse OOD scenarios. To address the gaps, we propose a novel methodology trained on diverse and imbalanced medical datasets and evaluated across a clinically reflective OOD spectrum. Our framework comprises three key components: (1) a Nonlinear von Mises-Fisher (NvMF) classifier capable of learning non-linear decision boundaries, with theoretical proof of its asymptotic connection to cosine classifiers; (2) a multi-expert framework in which margin-aware NvMF classifiers specialise in different regions of label distribution to better handle imbalance; and (3) an outlier expert trained explicitly to distinguish inlier from outlier data, thereby strengthening OOD detection. Evaluation on RFMiD, ISIC2019, and NCTCRC datasets demonstrates consistent improvements over state-of-the-art methods, achieving mean FPR95 reductions of 8.45%, 13.02%, and 36.90% respectively. These gains are further supported by comprehensive ablations that validated the contributions of each component. This enables reliable identification of unfamiliar cases for deferral to clinicians, supporting safer AI-assisted diagnosis in real-world workflows. Our code is available at https://github.com/redboxup/MARVEL.
- Abstract（参考訳）: 臨床展開において、未確認例に直面する場合、自動化診断システムは信頼性が保たれることが不可欠であるが、深層モデルでは、信頼性の高いアウト・オブ・ディストリビューション(OOD)インプットを日常的に誤分類し、より堅牢なOOD検出方法の必要性を強調することが重要である。
モデルロバスト性の改善に多大な努力が注がれているが、既存の文献の多くは、バランスの取れたデータセットを仮定し、粗いOODソースや非クリニカルなOODソース上でのOOD検出を評価したり、さまざまなOODシナリオの包括的な評価を欠いている。
このギャップに対処するために,多種多様かつ不均衡な医療データセットを訓練し,臨床反射型OODスペクトルを用いて評価する手法を提案する。
本フレームワークは,(1)非線型決定境界を学習可能な非線形フォン・ミゼス・フィッシャー分類器(NvMF)と,(2)コサイン分類器との漸近的関係の理論的証明,(2)ラベル分布の異なる領域に特化して不均衡に対処するマージン認識NvMF分類器を専門とするマルチエキスパートフレームワークと,(3)不整合データから不整合を識別するために明示的に訓練された外れ値の専門家によるOOD検出の強化,の3つの主要な構成要素から構成される。
RFMiD、ISIC2019、NCTCRCデータセットの評価は、最先端の手法よりも一貫した改善を示し、それぞれ平均FPR95の8.45%、13.02%、36.90%の削減を達成した。
これらの利益は、各コンポーネントのコントリビューションを検証する包括的な改善によってさらに支持されます。
これにより、現実のワークフローにおいて、より安全なAI支援診断をサポートするために、臨床医に不慣れなケースの信頼性の高い識別が可能になる。
私たちのコードはhttps://github.com/redboxup/MARVELで利用可能です。
関連論文リスト
- ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction [77.70461178466043]
3Dセマンティック占有予測は自動運転の中心である。
現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。
本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
論文 参考訳（メタデータ） (2026-04-01T16:11:59Z) - Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
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保証するために重要である。
LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。
我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
論文 参考訳（メタデータ） (2025-10-23T02:16:45Z) - A Median Perspective on Unlabeled Data for Out-of-Distribution Detection [5.937613452723966]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの堅牢性と信頼性を保証する上で重要な役割を果たす。
近年のアプローチでは、ラベルなしデータの使用を検討し、OOD検出能力を向上する可能性を示している。
中央値演算を用いてラベル付けされていないデータから潜在的な外れ値を特定するために設計された新しいフレームワークであるMedixを紹介する。
論文 参考訳（メタデータ） (2025-10-07T22:43:57Z) - DCV-ROOD Evaluation Framework: Dual Cross-Validation for Robust Out-of-Distribution Detection [2.9726444682922897]
アウト・オブ・ディストリビューション(OOD)検出は、人工知能システムの堅牢性を高める上で重要な役割を果たしている。
クロスバリデーション(CV)は、学習アルゴリズムの性能を合理的に推定するための、非常に効果的なツールであることが証明されている。
本研究はOOD検出モデルのロバストな評価のための二重CVフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-06T17:20:09Z) - NERO: Explainable Out-of-Distribution Detection with Neuron-level Relevance [9.86792165443301]
機能層におけるニューロンレベルの関連性を利用した新しいOODスコアリング機構NEROを提案する。
具体的には、各分布内(ID)クラスに対するニューロンレベルの関連性をクラスタリングし、代表的なセントロイドを形成する。
バイアス項にスケールした関連性を取り入れ、特徴ノルムを組み合わせることで性能を向上する。
論文 参考訳（メタデータ） (2025-06-18T12:22:17Z) - CADRef: Robust Out-of-Distribution Detection via Class-Aware Decoupled Relative Feature Leveraging [5.356623181327855]
CARef(Class-Aware Relative Feature-based Method)とCADRef(Class-Aware Decoupled Relative Feature-based Method)を提案する。
両手法は, 最先端手法と比較してOOD検出の有効性とロバスト性を示した。
論文 参考訳（メタデータ） (2025-03-01T03:23:10Z) - 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) - How Does Unlabeled Data Provably Help Out-of-Distribution Detection? [63.41681272937562]
in-distribution (ID) とout-of-distribution (OOD) の両データの不均一性のため、未ラベルの in-the-wild データは非自明である。
本稿では,理論的保証と実証的有効性の両方を提供する新たな学習フレームワークであるSAL(Separate And Learn)を紹介する。
論文 参考訳（メタデータ） (2024-02-05T20:36:33Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z) - 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。