論文の概要: Unified Multi-Layer Subspace Modeling for Cross-Domain OOD Detection

• arxiv url: http://arxiv.org/abs/2609.06785v1
• Date: Sun, 06 Sep 2026 19:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 04:39:12.204197
• Title: Unified Multi-Layer Subspace Modeling for Cross-Domain OOD Detection
• Title（参考訳）: クロスドメインOOD検出のための統一多層部分空間モデリング
• Abstract要約: PRISMは、モデルに依存しないポストホックOOD検出法である。 中間機能と深い機能を単一の階層的な埋め込みに融合する。 サブスペース内のセマンティックな偏差と、サブスペース外の異常の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 12.06155749281499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-Distribution (OOD) detection remains a fundamental challenge for neural networks, whose predictions can be overconfident on inputs that deviate from the training distribution. Most post-hoc OOD detection methods derive scores from a single representation level (eg., logits or penultimate features) or combine multiple layers via depth selection or OOD-calibrated weighting. However, because OOD shifts are diverse, the most informative representation level can vary strongly across OOD types and domains, making fixed-layer choices and OOD-calibrated aggregation brittle. In this paper, we propose PRISM (Projected Representation with Intermediate-layer Subspace Modeling), a model-agnostic post-hoc OOD detection method that models a unified multi-layer feature representation rather than aggregating independently scored layers. PRISM fuses intermediate and deep features into a single hierarchical embedding, estimates an in-distribution (ID) principal subspace, and then combines two complementary signals: (i) a class-conditional Mahalanobis distance in the projected subspace and (ii) the residual energy orthogonal to the learned manifold. This simple design avoids OOD-tuned layer weighting while capturing both in-subspace semantic deviations and off-subspace anomalies. Across diverse benchmarks spanning natural images, medical imaging, and industrial visual inspection, PRISM achieves consistent state-of-the-art cross-domain OOD detection performance with a single default configuration across all evaluated domains and architectures. We further show that PRISM incurs minimal inference overhead, making it practical for real-world deployment.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、トレーニング分布から逸脱した入力を過信できるニューラルネットワークにとって、依然として基本的な課題である。 ほとんどのポストホックなOOD検出方法は、単一の表現レベル(例えば、ロジットや垂直的な特徴)からスコアを導き出すか、深度選択またはOOD校正重み付けによって複数のレイヤを結合する。 しかし,OODシフトは多種多様であるため,OODタイプやドメインの表現レベルはOODタイプやドメインによって大きく異なり,固定層選択やOODキャリブレーションによるアグリゲーションが不安定である。 本稿では,独立に獲得した層を集約するのではなく,統一された多層特徴表現をモデル化するモデルに依存しないポストホックOOD検出手法であるPRISMを提案する。 PRISMは中間的特徴と深い特徴を単一の階層的な埋め込みに融合し、分布内(ID)主部分空間を推定し、2つの補完的な信号を組み合わせる。 (i)射影部分空間におけるクラス条件マハラノビス距離及び (ii) 学習多様体に直交する残エネルギー。 この単純な設計は、OODで調整されたレイヤー重み付けを回避し、サブスペース内のセマンティック偏差とオフサブスペースの異常の両方をキャプチャする。 自然画像、医用画像、産業用視覚検査にまたがるさまざまなベンチマークにおいて、PRISMは、すべての評価済みドメインとアーキテクチャで単一のデフォルト設定で、一貫した最先端のクロスドメインOOD検出性能を達成する。 さらに、PRISMは最小の推論オーバーヘッドを発生させ、現実のデプロイメントに実用的であることを示す。

関連論文リスト

• MM++: Unsupervised Scale-Invariant Multilayer OOD Detection via Top-K Gated Feature Fusion [0.4666493857924358]
  MM++は、アウト・オブ・ディストリビューション(OOD)検出のための完全な教師なし、厳密なポストホック、スケール不変のフレームワークである。 まず、鋭い意味的圧縮の境界を示すエントロピー密度の低下を測定することによって、識別可能な中間層を識別する。 これらの選択した層を終端表現と融合させることで、このフレームワークは初期層ノイズを緩和しつつ、潜時的な層間相関を捕捉する。
  論文  参考訳（メタデータ） (2026-06-15T22:52:54Z)
• 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)
• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• GOOD: Training-Free Guided Diffusion Sampling for Out-of-Distribution Detection [61.96025941146103]
  GOODは,オフザシェルフ内分布(ID)分類器を用いて,OOD領域へのサンプリングトラジェクトリを誘導する新しいフレームワークである。 入力可能性を減らすためにログパーティションの勾配に基づいた画像レベルのガイダンスは、ピクセル空間内の低密度領域に向けてサンプルを駆動する。 我々は、画像と特徴の相違を適応的に組み合わせ、検出の堅牢性を向上する統一OODスコアを導入する。
  論文  参考訳（メタデータ） (2025-10-20T03:58:46Z)
• Mysteries of the Deep: Role of Intermediate Representations in Out of Distribution Detection [0.0]
  大きな事前学習されたモデルをモノリシックエンコーダとして扱い、検出のために最終層表現にのみ依存する。 入力プロジェクションを微妙に変換する残差接続によって形成される事前学習モデルのテキスト中間層を明らかにする。 我々は、これらの中間表現を選択的に組み込むことで、OOD検出の精度を、遠方OODでは textbf$10%、近方OODでは textbf$7% まで向上させることができることを示した。
  論文  参考訳（メタデータ） (2025-10-07T10:55:47Z)
• 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)
• GROOD: GRadient-Aware Out-of-Distribution Detection [11.511906612904255]
  現実世界のアプリケーションにおけるディープラーニングモデルの信頼性を確保するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 In-distriion (ID) トレーニングデータから直接 OOD プロトタイプを抽出し,クラスプロトタイプを演算する GRADient-Aware Out-Of-Distribution Detection (GROOD) を提案する。
  論文  参考訳（メタデータ） (2023-12-22T04:28:43Z)
• 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)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。 本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。 提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-24T18:50:49Z)
• Improving Out-of-Distribution Detection with Disentangled Foreground and Background Features [23.266183020469065]
  本稿では,IDトレーニングサンプルから前景と背景の特徴を密接な予測手法によって切り離す新しいフレームワークを提案する。 これは、様々な既存のOOD検出メソッドとシームレスに組み合わせられる汎用フレームワークである。
  論文  参考訳（メタデータ） (2023-03-15T16:12:14Z)
• Layer Adaptive Deep Neural Networks for Out-of-distribution Detection [14.385491722476036]
  ディープニューラルネットワーク(DNN)のための新しい層適応型OOD検出フレームワーク(LA-OOD)を提案する。 中間層で同時に複数のワンクラスSVM OOD検出器を訓練し、DNNの様々な深さで符号化された全スペクトル特性を利用する。 LA-OODはさまざまな複雑さを持つOODに対して堅牢であり、いくつかの実世界のデータセットに対して大きなマージンで最先端の競合より優れている。
  論文  参考訳（メタデータ） (2022-03-01T02:47:33Z)
• 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。