論文の概要: PWLR: Pairwise Witness Local Rejection for Boundary-Aware Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2608.15802v1
• Date: Sun, 16 Aug 2026 15:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.428031
• Title: PWLR: Pairwise Witness Local Rejection for Boundary-Aware Out-of-Distribution Detection
• Title（参考訳）: PWLR:境界認識型アウト・オブ・ディストリビューション検出のためのPairwise Witness Local Rejection
• Abstract要約: Pairwise Witness Local Rejectionは、特定の競合クラスよりも1つのIDクラスを好む可視的なローカルキューを記述する。 ImageNet-100 far-OOD, cleaner/challenging OOD, near-OODベンチマークの実験は、PWLRが複数のバックボーンにまたがる強力なビジョン言語ベースラインを一貫して改善していることを示している。
• 参考スコア（独自算出の注目度）: 8.958163390090315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection remains challenging for image classifiers, especially when near-OOD samples lie close to in-distribution (ID) class boundaries. Recent vision-language detectors improve OOD detection through class semantics, local prompting, or LLM-generated outlier concepts, but seldom use language as explicit boundary evidence between confusing ID classes. We propose Pairwise Witness Local Rejection (PWLR), which uses an MLLM offline to describe visible local cues that favor one ID class over a specific rival class. These cue phrases are then screened with ID-only data under a frozen vision-language backbone, so that only reliable local verifiers are kept. At inference, PWLR first retains a small set of globally plausible classes, then checks whether any of them is locally supported against its most relevant rivals, and finally combines this pairwise local evidence with the global class score through calibration. Experiments on ImageNet-100 far-OOD, cleaner/challenging OOD and near-OOD benchmarks show that PWLR consistently improves strong vision-language baselines across multiple backbones. Source code will be released.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)検出は画像分類器にとって依然として困難であり、特に近OODサンプルがイン・ディストリビューション(ID)クラスの境界に近い場合である。 近年の視覚言語検出器は、クラスセマンティクス、局所的プロンプト、あるいはLLM生成の外れ値の概念を通じてOODの検出を改善するが、混乱したIDクラス間の明確な境界証拠として言語を用いることは滅多にない。 Pairwise Witness Local Rejection (PWLR) を提案し、MLLMをオフラインで使用して、特定の競合クラスよりも1つのIDクラスを好む視覚的ローカルキューを記述する。 これらのキューフレーズは、凍結された視覚言語バックボーンの下でIDのみのデータでスクリーニングされるため、信頼できるローカル検証のみを保持することができる。 推論において、PWLRはまず、少数のグローバルな可算クラスを保持し、次に、それらのどれかが最も関係のあるライバルに対してローカルにサポートされているかどうかを確認し、最後に、このペアワイズな局所的な証拠と、キャリブレーションを通じてグローバルなクラススコアを組み合わせる。 ImageNet-100 far-OOD, cleaner/challenging OOD, near-OODベンチマークの実験は、PWLRが複数のバックボーンにまたがる強力なビジョン言語ベースラインを一貫して改善していることを示している。 ソースコードはリリースされます。

関連論文リスト

• Envisioning Outlier Exposure by Large Language Models for Out-of-Distribution Detection [71.93411099797308]
  オープンワールドシナリオに機械学習モデルをデプロイする場合、アウト・オブ・ディストリビューション(OOD)サンプルは不可欠である。 本稿では,大規模言語モデル(LLM)の専門知識と推論能力を活用して,この制約に対処することを提案する。 EOEは、遠、近、きめ細かいOOD検出など、さまざまなタスクに一般化することができる。 EOEは様々なOODタスクで最先端のパフォーマンスを実現し、ImageNet-1Kデータセットに効果的にスケールできる。
  論文  参考訳（メタデータ） (2024-06-02T17:09:48Z)
• CLIPScope: Enhancing Zero-Shot OOD Detection with Bayesian Scoring [16.0716584170549]
  ゼロショットOOD検出手法であるCLIPScopeを導入する。 CLIPScopeは、大きな語彙データベースからOODクラスをマイニングするための新しい戦略を取り入れている。 OODサンプルのカバレッジを最大化するために、CLIP埋め込み距離の観点から、最も多く、最もIDクラスに最も近いクラスラベルを選択する。
  論文  参考訳（メタデータ） (2024-05-23T16:03:55Z)
• Out-of-Distribution Detection Using Peer-Class Generated by Large Language Model [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、マシンラーニングモデルの信頼性とセキュリティを確保するための重要なタスクである。 本稿では,ODPCと呼ばれる新しい手法を提案し,大規模言語モデルを用いてOODピア・セマンティクスのクラスを生成する。 5つのベンチマークデータセットの実験により,提案手法は最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-03-20T06:04:05Z)
• DeLR: Active Learning for Detection with Decoupled Localization and Recognition Query [53.54802901197267]
  本稿では,物体検出のための2つの重要な要素,すなわち局所化と認識を再考する。 そこで本研究では,アクティブクエリの局所化と認識をデカップリングする,効率的なクエリ戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-28T09:58:32Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Exploring Large Language Models for Multi-Modal Out-of-Distribution Detection [67.68030805755679]
  大きな言語モデル(LLM)は豊富な世界の知識をエンコードし、クラスごとに記述的な特徴を生成するよう促すことができる。 本稿では,LLMの選択的生成によるOOD検出性能向上のための世界知識の適用を提案する。
  論文  参考訳（メタデータ） (2023-10-12T04:14:28Z)
• 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)
• LoCoOp: Few-Shot Out-of-Distribution Detection via Prompt Learning [37.36999826208225]
  本稿では,数発のアウト・オブ・ディストリビューション(OOD)検出のための新しい視覚言語プロンプト学習手法を提案する。 LoCoOpは、トレーニング中にCLIPローカル機能の一部をOOD機能として利用するOOD正規化を実行する。 LoCoOpは、既存のゼロショットと完全に教師付き検出方法より優れている。
  論文  参考訳（メタデータ） (2023-06-02T06:33:08Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。