論文の概要: A Probabilistic Circuit-Induced Pseudo-Metric for Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2608.09117v1
- Date: Mon, 10 Aug 2026 04:47:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.083717
- Title: A Probabilistic Circuit-Induced Pseudo-Metric for Out-of-Distribution Detection
- Title（参考訳）: 確率的回路誘起擬似計量によるアウト・オブ・ディストリビューション検出
- Abstract要約: 確率回路(英: Probabilistic Circuits、PC)は、確率的和の階層をコードする内部ノードが、異なる変数スコープを網羅する、抽出可能な生成モデルである。
本稿では,Herar-Chical Likelihood Vector (HLV)を紹介した。
HLDはPCによって自然に誘導される関数クラス上の積分確率計量であり、原理的適合性仮説テストを開発する。
- 参考スコア（独自算出の注目度）: 0.8538830579425144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic Circuits (PCs) are tractable generative models whose internal nodes encode a hierarchy of probabilistic sum- maries over different variable scopes. Existing PC-based out- of-distribution (OOD) detection methods ignore this hierar- chy, reducing the entire circuit to the scalar likelihood (or its uncertainty) computed at the root. We introduce Hierar- chical Likelihood Vector (HLV), a representation whose en- tries are the likelihoods associated with selected PC nodes and define the Hierarchical Likelihood Distance (HLD), a PC-induced pseudo-metric that compares the probability dis- tributions through the expectations of their HLVs. We show that HLD is an integral probability metric over a function class naturally induced by the PC and develop a principled goodness-of-fit hypothesis test for unsupervised OOD detec- tion. Unlike existing approaches, the trained PC alone serves as the representation of the in-distribution: no held-out in- distribution data are required at deployment. We further show that the quantities required by the hypothesis test can be com- puted exactly, directly from the trained circuit, yielding an ap- proximate analytic decision threshold. Experiments on tabular and MNIST datasets demonstrate that exploiting the hierarchi- cal probabilistic summaries encoded through the PC improve OOD detection over root-likelihood, uncertainty-, typicality- and kernel-based baselines, while naturally localizing distri- bution shifts to the PC nodes responsible for the shift.
- Abstract（参考訳）: 確率回路(英: Probabilistic Circuits、PC)は、確率的和の階層をコードする内部ノードが、異なる変数スコープを網羅する、抽出可能な生成モデルである。
既存のPCベースのアウト・オブ・ディストリビューション(OOD)検出手法は、このヒエラルキーを無視し、ルートで計算されたスカラー可能性(または不確実性)に回路全体を縮小する。
HLV(Hierar-Chical Likelihood Vector)という,選択したPCノードに関連付けられた確率を列挙した表現を導入し,HLVの期待を通した確率ディストリビューションを比較するPC誘導擬似尺度HLD(Hierarchical Likelihood Distance)を定義した。
我々は、HLDがPCによって自然に誘導される関数クラス上の積分確率計量であり、教師なしOODデテックオンに対する原理的良性仮説テストを開発することを示す。
既存のアプローチとは違って、トレーニング済みのPCはインディストリビューションの表現として機能する。
さらに、仮説テストに必要な量は、トレーニングされた回路から直接正確に合成でき、ap-近似分析決定しきい値が得られることを示す。
表層およびMNISTデータセットの実験では、PCを介して符号化されたヒエラルキカル確率的サマリーを利用して、ルート、不確実性、典型、カーネルベースのベースライン上でのOOD検出を改善する一方で、このシフトに責任を負うPCノードへのディストリブティオンシフトを自然に局所化することを示した。
関連論文リスト
- Mitigating the Likelihood Paradox in Flow-based OOD Detection via Entropy Manipulation [24.066271161451425]
エントロピー制御は,分布内とOODサンプル間の対数類似のギャップを増大させ,分布内を優先する。
提案手法は,標準ベンチマークを用いた可能性に基づくOOD検出器に対して評価し,ベースラインよりも一貫したAUROCの改良を見出した。
論文 参考訳（メタデータ） (2026-02-10T09:31:03Z) - From Shortcut to Induction Head: How Data Diversity Shapes Algorithm Selection in Transformers [67.02076505996284]
本研究では, 事前学習したデータ分布の選択が, 浅層変圧器を一方の行動に向ける方法について検討する。
その結果,事前学習したトランスフォーマーのアルゴリズム的バイアスに光を当て,学習行動のデータ駆動制御に関する概念的ガイドラインを提供することができた。
論文 参考訳（メタデータ） (2025-12-21T08:10:26Z) - Out-of-Distribution Detection in Molecular Complexes via Diffusion Models for Irregular Graphs [11.928558263824213]
拡散モデル上に構築された複雑な3次元グラフデータに対する確率的OOD検出フレームワークを提案する。
単一の確率フローODEがサンプルごとのログライクな状態を生成し、分散シフトの典型的なスコアを提供する。
タンパク質-リガンド複合体のアプローチを検証し、厳密なOODデータセットを構築する。
論文 参考訳（メタデータ） (2025-12-20T17:56:15Z) - Tractable Representation Learning with Probabilistic Circuits [30.116247936061395]
確率回路(PC)は、正確かつトラクタブルな推論を可能にする強力な確率的モデルである。
ニューラルネットワークでは支配的だが、PCによる表現学習はいまだに過小評価されている。
我々は,PCのトラクタビリティを活用し,確率的埋め込みを明示的にモデル化する新しいフレームワークであるオートエンコード確率回路(APC)を紹介する。
論文 参考訳（メタデータ） (2025-07-06T13:17:16Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-23T20:27:40Z) - Probabilistic Circuits That Know What They Don't Know [17.335642512433385]
確率回路(英: Probabilistic circuit、PC)は、正確な確率的推論を可能にするモデルである。
実際にPCは、アウト・オブ・ディストリビューション(OOD)データに対して堅牢ではない。
本稿では,モンテカルロ・ドロップアウト (MCD) の解析解を分散伝搬により導出した不確実性推定手法であるトラクタブル・ドロップアウト推論 (TDI) を提案する。
論文 参考訳（メタデータ） (2023-02-13T17:36:49Z) - Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。
効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
論文 参考訳（メタデータ） (2022-06-14T03:58:03Z) - Probabilistic Kolmogorov-Arnold Network [1.4732811715354455]
本稿では,アレータティック不確実性の場合に出力の確率分布を推定する手法を提案する。
提案手法は, 出力の入力依存確率分布と, 入力による分布型の変化を対象とする。
本手法は任意の回帰モデルに適用できるが, 計算効率のよいモデルの構築につながるため,kansと組み合わせる。
論文 参考訳（メタデータ） (2021-04-04T23:49:15Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z) - General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。
エラーやエラーのクラスタは、残りのデータから分離することができる。
AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文 参考訳（メタデータ） (2020-10-11T13:12:41Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳（メタデータ） (2020-08-19T16:04:34Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。