論文の概要: A Probabilistic Circuit-Induced Pseudo-Metric for Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2608.09117v2
- Date: Mon, 17 Aug 2026 10:34:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.020949
- 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: 本稿では、選択したPCノードに関連付けられた可能性を示すHLV(Hierarchical Likelihood Vector)を紹介する。
HLDはPCによる擬似測定であり、HLVの期待値から確率分布を比較する。
我々は,HLDがPCによって自然に誘導される関数クラスに対する積分確率計量であり,教師なしOOD検出のための原理的良性仮説テストを開発することを示す。
- 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 summaries over different variable scopes. Existing PC-based out-of-distribution (OOD) detection methods ignore this hierarchy, reducing the entire circuit to the scalar likelihood (or its uncertainty) computed at the root. We introduce Hierarchical Likelihood Vector (HLV), a representation whose entries are the likelihoods associated with selected PC nodes and define the Hierarchical Likelihood Distance (HLD), a PC-induced pseudo-metric that compares the probability distributions 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 detection. 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 computed exactly, directly from the trained circuit, yielding an approximate analytic decision threshold. Experiments on tabular and MNIST datasets demonstrate that exploiting the hierarchical probabilistic summaries encoded through the PC improve OOD detection over root-likelihood, uncertainty-, typicality- and kernel-based baselines, while naturally localizing distribution shifts to the PC nodes responsible for the shift.
- Abstract（参考訳）: 確率回路(英: Probabilistic Circuits、PC)は、様々な変数の範囲で確率的要約の階層を符号化した、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)検出手法はこの階層を無視し、回路全体のスカラー可能性(または不確実性)をルートで計算する。
HLV(Hierarchical Likelihood Vector)は、選択したPCノードに関連付けられた可能性を示す表現であり、HLVの期待によって確率分布を比較するPC誘起擬似測定値であるHLD(Hierarchical Likelihood Distance)を定義する。
我々は,HLDがPCによって自然に誘導される関数クラスに対する積分確率計量であり,教師なしOOD検出のための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し、デプロイ時に保持されるインディストリビューションデータを必要としない。
さらに, 学習回路から直接, 仮説テストに必要な量を正確に計算し, 近似的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により、PCを介して符号化された階層的確率的要約を利用することで、ルート、不確実性、典型、カーネルベースのベースライン上のOODの検出が向上し、一方、このシフトに責任を持つPCノードへの分布シフトが自然に局所化されることが示されている。
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。