論文の概要: Dataset Identity, Not Novelty: The Source of an Inflated OOD Detection Gain

• arxiv url: http://arxiv.org/abs/2610.01096v1
• Date: Thu, 01 Oct 2026 05:39:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.91782
• Title: Dataset Identity, Not Novelty: The Source of an Inflated OOD Detection Gain
• Title（参考訳）: 新規ではないデータセットのアイデンティティ:拡張OOD検出の源泉
• Abstract要約: ポストホックアウト・オブ・ディストリビューション検出器は、訓練された分類器のアクティベーションを読み出し、スコアを返す。 このスコアは流通中のデータに当てはまり、評価するベンチマークは、そのフィッティング自体に第2のOODデータを提供する。 すべての適合性は、同じOODデータセットの保持されたサンプルで検証される。
• 参考スコア（独自算出の注目度）: 4.260015792110957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A post-hoc out-of-distribution (OOD) detector reads the activations of a trained classifier and returns a score. It fits that score on in-distribution data, and the benchmarks that evaluate it supply a second piece of OOD data for the fitting itself. Some detectors tune a constant on it. Others fit a direction in feature space or train a flexible combiner and report the number that it reaches as the gain that is still available. Every such fit is validated on held-out samples of the same OOD dataset. That check rules out memorizing individual images. It says nothing about a fit that has instead learned which dataset it is looking at, and a direction that recognizes one OOD dataset rather than novelty passes it perfectly. The detector that a practitioner installs meets OOD data from a source that nobody fitted it on, so the difference decides what the reported number is worth. We measure it by holding out the whole OOD dataset rather than a sample of it, and we call that gap the inflation. We read it across a range of combiners on ImageNet and CIFAR-100 backbones. Most of the gain that the usual protocol reports turns out to be dataset identity rather than novelty. The size of the fit does not move what survives, so the effect is not ordinary overfitting. The share depends instead on whether the input exposes class identity, and two controls that vary that property alone separate the inflation on every backbone of both benchmarks. A closed form accounts for the effect and computes it from the fitting rows, so a practitioner can tell which fits will inflate without running the hold-out protocol. One of these fits survives, namely the single constant that the field already picks on a designated validation dataset. Anything above it reports a gain that the hold-out protocol does not return, and on one benchmark what survives falls while what is reported climbs.
• Abstract（参考訳）: ポストホックアウト・オブ・ディストリビューション(OOD)検出器は、訓練された分類器のアクティベーションを読み取ってスコアを返す。 このスコアは流通中のデータに当てはまり、評価するベンチマークは、そのフィッティング自体に第2のOODデータを提供する。 いくつかの検出器は、その上で定数を調整します。 機能空間の方向性に合ったり、フレキシブルなコンバインダーを訓練したり、それが到達した数をまだ入手可能なゲインとして報告するものもある。 すべての適合性は、同じOODデータセットの保持されたサンプルで検証される。 そのチェックは個々の画像を記憶する。 対象とするデータセットを学習した適合性については何も述べておらず、新規性ではなく1つのOODデータセットを認識する方向が完全にパスしている。 専門家がインストールした検出器は、誰も装着していないソースからのOODデータと一致しているため、その差は報告された数字の価値を決定する。 サンプルではなく、OODデータセット全体を保持することで測定し、そのギャップをインフレーション(インフレーション)と呼んでいる。 ImageNetとCIFAR-100のバックボーン上で、さまざまなコンバインダーで読みました。 通常のプロトコルレポートから得られる利益のほとんどは、新規性ではなくデータセットのアイデンティティであることが判明した。 フィットのサイズは生存するものを動かさないので、通常のオーバーフィットではない。 その代わりに、入力がクラスアイデンティティを公開するかどうかに依存し、その特性だけを変える2つのコントロールは、両方のベンチマークのバックボーンのインフレーションを分離する。 クローズドフォームは、その効果を考慮し、フィッティング行から計算するので、実践者は、ホールドアウトプロトコルを実行せずに、どのフィットが膨張するかを判断できる。 これらのうちの1つは、フィールドが指定したバリデーションデータセットで既に選択した単一の定数が生き残る。 上述のものは、ホールドアウトプロトコルが返さないという利得を報告しており、あるベンチマークでは、レポートされているものが上昇している間に、生き残るものがフォールする。

関連論文リスト

• What If the Input is Expanded in OOD Detection? [77.37433624869857]
  Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。 In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。 入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
  論文  参考訳（メタデータ） (2024-10-24T06:47:28Z)
• How Does Unlabeled Data Provably Help Out-of-Distribution Detection? [63.41681272937562]
  in-distribution (ID) とout-of-distribution (OOD) の両データの不均一性のため、未ラベルの in-the-wild データは非自明である。 本稿では,理論的保証と実証的有効性の両方を提供する新たな学習フレームワークであるSAL(Separate And Learn)を紹介する。
  論文  参考訳（メタデータ） (2024-02-05T20:36:33Z)
• Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
  アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。 本稿では,OOD検出における教師なし評価問題を初めて紹介する。 我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T13:34:35Z)
• Augmenting Softmax Information for Selective Classification with Out-of-Distribution Data [7.221206118679026]
  既存のポストホック法はOOD検出でのみ評価した場合とは大きく異なる性能を示す。 本稿では,特徴に依存しない情報を用いて,ソフトマックスに基づく信頼度を向上するSCOD(Softmax Information Retaining Combination, SIRC)の新たな手法を提案する。 多様なImageNetスケールのデータセットと畳み込みニューラルネットワークアーキテクチャの実験は、SIRCがSCODのベースラインを一貫して一致または上回っていることを示している。
  論文  参考訳（メタデータ） (2022-07-15T14:39:57Z)
• No True State-of-the-Art? OOD Detection Methods are Inconsistent across Datasets [69.725266027309]
  アウト・オブ・ディストリビューション検出は、信頼できるMLシステムの重要なコンポーネントである。 本研究では,これらの手法が16対の標準セット上でのOOD検出よりも本質的に優れていることを示す。 また、ある(ID, OOD)ペアにおいて他の(ID, OOD)ペアよりも優れる手法は、低データ方式ではそうしない可能性があることを示す。
  論文  参考訳（メタデータ） (2021-09-12T16:35:00Z)
• OODformer: Out-Of-Distribution Detection Transformer [15.17006322500865]
  現実世界の安全クリティカルなアプリケーションでは、新しいデータポイントがOODであるかどうかを認識することが重要です。 本稿では,OODformer というファースト・オブ・ザ・キンドな OOD 検出アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-19T15:46:38Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。