論文の概要: Layer Selection in VLMs for Zero-Shot OOD Detection via Multi-Resolution Entropy Estimation

• arxiv url: http://arxiv.org/abs/2609.08524v1
• Date: Tue, 08 Sep 2026 10:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:21:03.023319
• Title: Layer Selection in VLMs for Zero-Shot OOD Detection via Multi-Resolution Entropy Estimation
• Title（参考訳）: 多解エントロピー推定によるゼロショットOOD検出のためのVLMの層選択
• Abstract要約: 医療用AIシステムの安全な配置には、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。 既存の手法はほとんど最終層埋め込みに依存しており、最も深い表現が普遍的に最適であると暗黙的に仮定している。 複数の離散化尺度にまたがるヒストグラム統計を集約する多分解能エントロピー推定手法を提案する。
• 参考スコア（独自算出の注目度）: 6.633563728823828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection is crucial for safe deployment of medical AI systems, where domain shifts arise across institutions, acquisition protocols, and patient populations. VLMs enable zero-shot OOD detection by embedding images into a language-aligned latent space, where cross-modal similarity serves as a non-parametric confidence signal for identifying in-distribution samples. Yet existing methods rely almost exclusively on final-layer embeddings, implicitly assuming that the deepest representations are universally optimal. We first show that this assumption does not hold in medical imaging: intermediate layers provide complementary OOD signals, and the optimal representational depth depends on the respective image modality. While prior work selects layer combinations via entropy minimization of normalized histograms, we demonstrate that single-resolution entropy estimation is highly sensitive to binning choices, leading to performance variations of up to 19.3% AUROC. To address this instability, we propose a multi-resolution entropy estimation strategy that aggregates histogram statistics across multiple discretization scales, enabling robust and stable intermediate-layer selection. Across two medical OOD benchmarks, namely MIDOG and OASIS, covering distinct imaging modalities, diverse shift types, and different VLM backbones, our method consistently outperforms state-of-the-art approaches, offering a lightweight and stable solution for zero-shot OOD detection.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、医療AIシステムの安全な展開には不可欠である。 VLMは、画像のラテント空間への埋め込みによるゼロショットOOD検出を可能にする。 しかし、既存の方法はほとんど最終層埋め込みにのみ依存しており、最も深い表現が普遍的に最適であると暗黙的に仮定している。 中間層は相補的なOOD信号を提供し、最適な表現深さはそれぞれの画像のモダリティに依存する。 従来の研究では、エントロピーの最小化による層結合を選択するが、単分解能エントロピー推定は双対選択に非常に敏感であり、最大19.3%のAUROCの性能変化をもたらすことを示した。 この不安定性に対処するために、複数の離散化スケールでヒストグラム統計を集約し、安定な中間層選択を可能にする多分解能エントロピー推定手法を提案する。 MIDOG と OASIS という2つの医学 OOD ベンチマークでは、異なる画像のモダリティ、多様なシフトタイプ、異なるVLMバックボーンをカバーしているが、我々は常に最先端のアプローチより優れており、ゼロショット OOD 検出のための軽量で安定したソリューションを提供している。

関連論文リスト

• Unified Multi-Layer Subspace Modeling for Cross-Domain OOD Detection [12.06155749281499]
  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。
  論文  参考訳（メタデータ） (2026-09-06T19:00:54Z)
• Bringing Multimodal Large Language Models to Infrared-Visible Image Fusion Quality Assessment [48.882448108261826]
  赤外線可視画像融合(IVIF)は、熱情報と詳細な空間構造を単一の融合画像に統合し、知覚を高めることを目的としている。 近年のIVIF報酬モデリングの取り組みは人間の評価から学ぶが、集計されたスコアにスカラー回帰を用いる。 本稿では,MLLMを用いて人間の視覚知覚を再現し,連続的な品質スコアを生成するFuScoreを紹介する。
  論文  参考訳（メタデータ） (2026-05-07T21:38:09Z)
• 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)
• Predictive Sample Assignment for Semantically Coherent Out-of-Distribution Detection [62.1052001316508]
  セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SCOOD)は、最近提案された現実的なOOD検出設定である。 予測サンプル割当て(PSA)に基づく簡潔SCOODフレームワークを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2025-12-15T01:18:38Z)
• 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)
• Multi-Method Ensemble for Out-of-Distribution Detection [0.0]
  本研究では,最先端の特徴トランケーションとスコアリング関数を効果的に組み合わせることができることを示す。 我々は、最先端のOOD検出器を1つのより効果的なスコア関数に統一するMulti-Method Ensemble(MME)スコアを提案する。
  論文  参考訳（メタデータ） (2025-08-29T09:47:20Z)
• 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)
• Log-Likelihood Score Level Fusion for Improved Cross-Sensor Smartphone Periocular Recognition [52.15994166413364]
  我々は、複数のコンパレータを融合させて、異なるスマートフォンの画像を比較する際に、眼周囲の性能を改善する。 我々は線形ロジスティック回帰に基づく確率的融合フレームワークを使用し、融合したスコアはログライクな比率になる傾向にある。 我々のフレームワークは、同じセンサとクロスセンサーのスコア分布が整列され、共通の確率領域にマッピングされるため、異なるデバイスからの信号を処理するためのエレガントでシンプルなソリューションも提供します。
  論文  参考訳（メタデータ） (2023-11-02T13:43:44Z)
• 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)
• 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)
• A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images [10.20384144853726]
  本稿では,皮膚疾患の画像データを検出するためのマルチスケール検出フレームワークを提案する。 我々のフレームワークはニューラルネットワークの異なる層から特徴を抽出する。 実験により,提案手法は,他の最先端手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-01-18T13:49:35Z)

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。