論文の概要: Representation Trajectories Matters: Complementary Evidence for OOD Detection and Image Classification
- arxiv url: http://arxiv.org/abs/2607.26565v1
- Date: Wed, 29 Jul 2026 07:35:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.56982
- Title: Representation Trajectories Matters: Complementary Evidence for OOD Detection and Image Classification
- Title（参考訳）: 表現軌道が重要なこと:OOD検出と画像分類のための補完的証拠
- Abstract要約: 視覚モデルは一度に表現を形成せず、各ブロックはそれを更新する。
我々は,結果の計算経路が最終表現が破棄される証拠を含むか否かを問うとともに,その証拠がクリーンかつシフトしたデータ上でのOODの検出と画像分類を改善するか否かを問う。
我々は、クラスコヒーレントトランスポートを入力固有のイノベーションから分離し、リレーショナルリオーガナイゼーションからの移動を調整する。
教師付き、自己監督型、視覚言語、階層型、畳み込みエンコーダ全体において、これらのパスは、強いサンプル固有の連続性と、データセット間で再帰するアーキテクチャ固有の深さプロファイルを示す。
- 参考スコア（独自算出の注目度）: 34.70678629832136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision models do not form a representation at once; each block revises it. We ask whether the resulting computation path contains evidence that the final representation discards, and whether that evidence improves OOD detection and image classification on clean and shifted data. Unlike approaches that treat intermediate layers as separate snapshots, we retain sample identity across depth and study the transformations connecting successive states. We separate class-coherent transport from input-specific innovation, and coordinate movement from relational reorganization. Across supervised, self-supervised, vision--language, hierarchical, and convolutional encoders, these paths show strong sample-specific continuity and architecture-specific depth profiles that recur across datasets. They are also practically useful. An ID-only transition-surprise score complements strong final-state detectors, reducing FPR95 in 131/152 non-saturated comparisons on a balanced OpenOOD grid; gains are largest for visually disruptive and semantically far shifts, and remain positive on near-OOD for most detectors. Frozen update probes improve 71/72 clean model--dataset cases, while shifted-data gains vary with architecture and corruption type. Computation paths therefore provide a broadly useful reliability signal whose value is determined jointly by model organization and the shift encountered.
- Abstract（参考訳）: 視覚モデルは一度に表現を形成せず、各ブロックはそれを更新する。
我々は,結果の計算経路が最終表現が破棄される証拠を含むか否かを問うとともに,その証拠がクリーンかつシフトしたデータ上でのOODの検出と画像分類を改善するか否かを問う。
中間層を個別のスナップショットとして扱うアプローチとは異なり、深度にわたってサンプルアイデンティティを保持し、連続する状態を接続する変換を研究する。
我々は、クラスコヒーレントトランスポートを入力固有のイノベーションから分離し、リレーショナルリオーガナイゼーションからの移動を調整する。
教師付き、自己監督型、視覚言語、階層型、畳み込みエンコーダ全体において、これらのパスは、強いサンプル固有の連続性と、データセット間で再帰するアーキテクチャ固有の深さプロファイルを示す。
実用的にも有用である。
IDのみの遷移サプライズスコアは、強い最終状態検出器を補完し、バランスの取れたOpenOODグリッド上での131/152の非飽和比較でFPR95を減少させる。
凍結更新プローブは71/72クリーンモデル-データセットケースを改善し、シフトデータゲインはアーキテクチャや破損タイプによって異なる。
したがって、計算経路は、モデル組織と遭遇したシフトによって共同で値が決定される広範囲に有用な信頼性信号を提供する。
関連論文リスト
- Sparse Autoencoders for Interpretable Out-of-Distribution Detection [5.034534322537894]
本稿では,スパースオートエンコーダ(SAE)を利用して,中間活性化から解釈可能な特徴を学習する手法を提案する。
テストサンプルのスパース特徴活性化とIDクラスの平均活性化のコサイン類似性から得られた新しいOODスコアを提案する。
論文 参考訳（メタデータ） (2026-07-13T19:13:40Z) - 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) - Cross-Subject Mind Decoding from Inaccurate Representations [42.19569985029642]
正確なデコード表現予測のためのBi Autoencoder Intertwiningフレームワークを提案する。
本手法は,定性評価と定量的評価の両方において,ベンチマークデータセットの最先端手法よりも優れている。
論文 参考訳（メタデータ） (2025-07-25T08:45:02Z) - What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - Can Your Generative Model Detect Out-of-Distribution Covariate Shift? [2.0144831048903566]
条件付き正規化フロー(cNFs)を用いたOODセンサデータ検出のための新しい手法を提案する。
CIFAR10 対 CIFAR10-C と ImageNet200 対 ImageNet200-C では,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-09-04T19:27:56Z) - Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。
いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。
この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-14T09:27:56Z) - 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) - 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) - Exploring Covariate and Concept Shift for Detection and Calibration of
Out-of-Distribution Data [77.27338842609153]
キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。
分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。
我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
論文 参考訳（メタデータ） (2021-10-28T15:42:55Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - OODformer: Out-Of-Distribution Detection Transformer [15.17006322500865]
現実世界の安全クリティカルなアプリケーションでは、新しいデータポイントがOODであるかどうかを認識することが重要です。
本稿では,OODformer というファースト・オブ・ザ・キンドな OOD 検出アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-07-19T15:46:38Z) - Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。
フローは局所的な画素相関と画像からラテンス空間への変換を学習する。
フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
論文 参考訳（メタデータ） (2020-06-15T17:00:01Z)
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。