論文の概要: Out-of-Distribution Detection in Continual Learning

• arxiv url: http://arxiv.org/abs/2610.25901v1
• Date: Mon, 19 Oct 2026 07:02:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:11:29.438091
• Title: Out-of-Distribution Detection in Continual Learning
• Title（参考訳）: 連続学習におけるアウト・オブ・ディストリビューション検出
• Abstract要約: 我々はKAN(Kolmogorov-Arnold Networks)に触発されたリハーサルなし連続学習のための新しいOOD検出フレームワークを提案する。 タスク適応型分類器アーキテクチャであるTA-KANを導入し,遅延バイアスを軽減し,ID-OOD分離性を向上する。 提案手法は,OOD-CLにおいて高いID分類性能を維持しながらOOD検出を大幅に改善し,最先端のOOD-CLを実現する。
• 参考スコア（独自算出の注目度）: 15.694335476921703
• License:
• Abstract: Out-of-distribution detection in continual learning (OOD-CL) is highly challenging, as it requires (i) learning a sequence of tasks without catastrophic forgetting, and (ii) identifying unknown samples (OOD) without access to known (in-distribution (ID)) data from past tasks, where standard confidence-based OOD scores tend to degrade. Existing methods largely rely on a rehearsal buffer of past data or assume closed-world settings, limiting their scalability and reliability in real-world scenarios. In this paper, we propose a novel OOD detection framework for rehearsal-free continual learning, inspired by Kolmogorov-Arnold Networks (KAN), which mitigate catastrophic forgetting via their inherent local neuroplasticity. To better leverage KAN in OOD-CL, we introduce a task-adaptive classifier architecture, TA-KAN, which mitigates recency bias and enhances ID--OOD separability through task-specific control of activation locality. Furthermore, we propose a geometry-guided OOD score that complements TA-KAN classifier confidence without relying on past ID data. Our method significantly improves OOD detection while maintaining strong ID classification performance, achieving state-of-the-art results in OOD-CL.
• Abstract（参考訳）: 連続学習におけるアウト・オブ・ディストリビューション検出(OOD-CL)は非常に困難である。 一 破滅的な忘れをせずに一連の課題を学ぶこと、 (II) 標準信頼度に基づくOODスコアが低下傾向にある過去のタスクから、未知のサンプル(OOD)を、既知の(分布内(ID))データにアクセスせずに識別する。 既存のメソッドは、過去のデータのリハーサルバッファやクローズドワールド設定を前提としており、実際のシナリオにおけるスケーラビリティと信頼性を制限している。 本稿では,KAN(Kolmogorov-Arnold Networks)にインスパイアされた,リハーサルのない連続学習のための新しいOOD検出フレームワークを提案する。 OOD-CLにおける Kan の活用を向上するために, タスク適応型分類器アーキテクチャ TA-KAN を導入し, アクティベーション局所性のタスク特異的制御により, 遅延バイアスを緩和し, ID--OOD 分離性を向上させる。 さらに,過去のIDデータに頼ることなく,TA-KAN分類器の信頼性を補完する幾何誘導OODスコアを提案する。 提案手法は,OOD-CLにおいて高いID分類性能を維持しながらOOD検出を大幅に改善し,最先端のOOD-CLを実現する。

関連論文リスト

• BootOOD: Self-Supervised Out-of-Distribution Detection via Synthetic Sample Exposure under Neural Collapse [16.533348266403515]
  アウト・オブ・ディストリビューション(OOD)検出は、画像分類器を安全に敏感な環境に配置するために重要である。 我々は,IDデータからのみブートストラップを行う,完全に自己管理されたOOD検出フレームワークであるBootOODを提案する。 この結果から,BootOODはポストホック法よりも優れ,アウトレイラ露光のないトレーニングベースの手法を超越し,最先端のアウトレイラ露光手法と競合することを示した。
  論文  参考訳（メタデータ） (2025-11-17T16:12:31Z)
• Enhancing OOD Detection Using Latent Diffusion [3.4899193297791054]
  Out-of-Distribution(OOD)検出は、現実のシナリオにおけるマシンラーニングモデルの信頼性の高いデプロイに不可欠である。 近年の研究では、安定拡散のような生成モデルを用いて、画素空間の外部値データを合成する方法が検討されている。 我々は,潜伏空間内でOOD学習データを生成する新しいフレームワークであるOutlier-Aware Learning (OAL)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:01:43Z)
• Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection [5.019613806273252]
  Iterative Deployment Exposure (IDE)は、アウト・オブ・ディストリビューション(OOD)検出のための、新しくより現実的な設定である。 CSOは、マハラノビス距離と最寄りのアプローチを組み合わせた新しいU-OODスコアリング関数を使用している。 提案手法は, 医用画像の3つのモダリティに対して, 強いベースラインで大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:57:34Z)
• Distilling the Unknown to Unveil Certainty [66.29929319664167]
  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)データから逸脱するテストサンプルを識別し、ネットワークの堅牢性と信頼性を確保するために重要である。 本稿では,ネットワークからOOD感受性情報を抽出し,IDとOODサンプルを識別可能なバイナリ分類器を開発するための,OOD知識蒸留のためのフレキシブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-14T08:05:02Z)
• Out-of-distribution Detection Learning with Unreliable Out-of-distribution Sources [73.28967478098107]
  アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。 通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。 本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-06T16:26:52Z)
• Meta OOD Learning for Continuously Adaptive OOD Detection [38.28089655572316]
  現代のディープラーニングアプリケーションには、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。 本稿では,CAOOD(Continuous Adaptive Out-of-distribution)検出という,新しい,より現実的な設定を提案する。 トレーニングプロセス中に優れたOOD検出モデルが学習されるように、学習適応図を設計し、メタOOD学習(MOL)を開発する。
  論文  参考訳（メタデータ） (2023-09-21T01:05:45Z)
• Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
  ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。 本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。 このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
  論文  参考訳（メタデータ） (2021-06-08T11:40:49Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。