論文の概要: Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer

• arxiv url: http://arxiv.org/abs/2607.26582v1
• Date: Wed, 29 Jul 2026 08:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.57669
• Title: Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer
• Title（参考訳）: レベル、シャープ性、コーパス:なぜゼロショットのOOD検出器が転送されないのか
• Abstract要約: 各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
• 参考スコア（独自算出の注目度）: 36.02174685737611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selecting a zero-shot out-of-distribution (OOD) detector for a new deployment is typically based on benchmark rankings, implicitly assuming that the highest-ranked detector will transfer across domains. We show that this assumption does not hold. Through a controlled portability audit across seventeen in-distribution datasets, three vision-language models, and seven representative zero-shot OOD detectors, we find that detector rankings reverse across deployments, every detector exceeds $80\%$ FPR95 on at least one domain, and the preferred detector depends on both the in-distribution data and the underlying VLM. We trace these reversals to complementary evidence channels in vision-language logits. Corpus-free detectors rely on different combinations of absolute match level and relative or spatial sharpness, while WordNet-based methods additionally depend on external semantic coverage. A simple proposition shows that level and sharpness cannot generally be recovered from one another, explaining why no single detector transfers reliably across deployments. Motivated by this diagnosis, we introduce the Complementary Evidence Guard (CEG), a detector-agnostic wrapper that preserves complementary evidence through a non-compensatory fusion of the base detector, level, and sharpness using only empirical in-distribution percentiles. Controls replacing these channels with entropy, logit variance, or random noise do not reproduce the gains. Without OOD samples, auxiliary corpora, or learned fusion, CEG reduces detector sensitivity and improves GL-MCM from $38.1$ to $28.8$ and MCM from $42.6$ to $30.5$ family-balanced FPR95.
• Abstract（参考訳）: 新たなデプロイメントのためにゼロショットのアウト・オブ・ディストリビューション(OOD)検出器を選択するのは、通常、最高レベルの検出器がドメイン間で転送されることを暗黙的に仮定して、ベンチマークのランキングに基づいて行われる。 この仮定が成り立たないことを示す。 17の分布内データセット、3つの視覚言語モデル、および7つの代表的ゼロショットOOD検出器の可搬性監査により、各検出器は少なくとも1つの領域において80\%のFPR95を超え、所望の検出器は分布内データと基礎となるVLMの両方に依存することがわかった。 我々はこれらの逆転を視覚言語ロジットの相補的なエビデンスチャネルに遡る。 コーパスフリー検出器は絶対一致レベルと相対的あるいは空間的シャープネスの異なる組み合わせに依存し、WordNetベースの手法は外部の意味的カバレッジにも依存する。 単純な提案は、通常、レベルとシャープさは互いに回復できないことを示し、なぜ単一検出器が配置全体にわたって確実に転送されないのかを説明する。 この診断を契機に, 基礎検出器, レベル, 鋭さの非補償的融合による相補的証拠を保存し, 実験内分布パーセンタイルのみを用いて, 相補的証拠を保存できる, 検出不能なラッパーであるComplementary Evidence Guard (CEG) を導入する。 これらのチャネルをエントロピー、ロジット分散、ランダムノイズで置き換える制御は利得を再現しない。 OODサンプル、補助コーパス、または学習融合がなければ、CEGは検出器感度を低下させ、GL-MCMを38.1ドルから28.8ドルに改善し、MCMを42.6ドルから30.5ドルに改善する。

関連論文リスト

• Surrogate Substitution Preserves PHI Detectability: A Multi-Detector Equivalence Study [2.7278797508895316]
  構造保存復号化は、保護された健康情報を現実的な同型サロゲートに置き換える。 下流のPHI検出器はまだサロゲートを見つけることができるのか? 11個の検出器、7つのベンチマーク、7つの言語(1,750の文書)で、マスク付きスパンのリコールは76.1%から74.9%に変化した。 リアクションフロアとオープンソースのサロゲートベースラインは、その効果が1つのツールではなく、よく形成された置換の特性であることを示している。
  論文  参考訳（メタデータ） (2026-08-04T06:04:18Z)
• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Log-Likelihood, Simpson's Paradox, and the Detection of Machine-Generated Text [0.039998518782208774]
  本研究では,人間と機械のテキストを区別するトークンレベルの信号が,検出モデルの隠れた空間にわたって一様でないことを示す。 ベイズ決定理論に基づく学習的局所校正ステップを導入する。 この単一の介入は、すべてのベースライン検出器と、私たちが考慮しているすべてのデータセット間の検出性能を劇的に、一貫して改善します。
  論文  参考訳（メタデータ） (2026-05-07T13:59:07Z)
• Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning [5.008779702997125]
  最新の事前学習モデルでは, 正確なラベル自由分布検出に十分な幾何学的構造をエンコードしている。 以上の結果から, ラベルフリーなOOD検出は, 凍結した後骨が露出する形状に強く依存していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-07T03:45:52Z)
• Label-Free Detection of Governance Evidence Degradation in Risk Decision Systems [0.0]
  不正検出・信用スコアリングにおけるリスク決定システムは、構造ラベルが存在しない状態で運用される。 既存のフレームワークは、ドリフト検出とガバナンスエビデンス評価と運用対応を統合していません。 本稿では,ガバナンスドリフトツールキットのラベルフリーガバナンス監視拡張について述べる。
  論文  参考訳（メタデータ） (2026-04-20T05:46:15Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• How well are open sourced AI-generated image detection models out-of-the-box: A comprehensive benchmark study [5.740397289924559]
  普遍的な勝者は存在せず、検出器のランキングはかなり不安定である。 我々の発見は、全能検出器のパラダイムに挑戦した。
  論文  参考訳（メタデータ） (2026-02-08T04:36:13Z)
• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• S4OD: Semi-Supervised learning for Single-Stage Object Detection [17.44592826610368]
  単段検出器は、極端に前景の階級不均衡に苦しむが、2段検出器は動かない。 半教師対象検出では、高品質な擬似ラベルのみを選択することで、2段階検出器が優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-09T15:19:37Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。