論文の概要: A Theoretical Analysis of Environment-Aware Out-of-Distribution Detection for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.27211v1
• Date: Mon, 19 Oct 2026 19:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.485561
• Title: A Theoretical Analysis of Environment-Aware Out-of-Distribution Detection for Vision-Language Models
• Title（参考訳）: 視覚言語モデルにおける環境を考慮したアウト・オブ・ディストリビューション検出の理論的解析
• Abstract要約: コントリビューションスコアに基づく環境対応OOD検出理論を開発した。 カスケード検出において検出が確実に失敗すると特徴付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual vision-language models (VLMs) encounter a stream of environments and must also reject inputs that do not belong to the environment at hand. Class information from earlier environments can aid out-of-distribution (OOD) detection, yet existing detectors score each environment in isolation, and when previous environments help or hurt is theoretically unclear. We develop a theory of environment-aware OOD detection built on contribution scores, pairwise cosine expectations measuring how the image and text features of one environment align with those of another. We propose a cross-environment maximum-concept-matching (MCM) score with two terms: a primary term matching the test image against the current class texts, and a secondary term matching it against the class texts of a previous environment, weighted by the intra-modal alignment between the two environments. We prove that, under a positive environment transition and a bounded class-matching margin for OOD inputs, this score attains a false-positive rate no larger than that of the standard MCM detector at an adjusted threshold. We then show that the score gap of an MCM detector between two environments equals the self-contribution of the in-distribution environment minus its cross-modal contribution into the OOD environment, which separates soft OOD environments, with explicit AUROC, true-positive, and false-positive guarantees, from hard ones, which no threshold that retains the in-distribution data can reliably reject. For cascaded detection, in which the text prototypes of all seen environments are pooled, the false-positive rate on every past environment is non-decreasing in time, and we characterize when detection provably fails. A contribution balance factor applied to the gradients of the classification loss and of a smoothed false-positive rate completes the framework.
• Abstract（参考訳）: 連続視覚言語モデル(VLM)は環境の流れに遭遇し、手前の環境に属さない入力も拒否しなければならない。 以前の環境からのクラス情報は、アウト・オブ・ディストリビューション(OOD)の検出に役立つが、既存の検出器は、それぞれの環境を個別にスコアし、以前の環境が助けたり傷つけたりすることは理論的に不明である。 我々は,コントリビューションスコアに基づく環境対応OOD検出の理論を開発し,ある環境のイメージとテキストの特徴が他の環境とどのように一致しているかを測定する。 本稿では,テスト画像と現在のクラステキストとをマッチングする1次項と,2つの環境間のモード内アライメントによって重み付けされた前の環境のクラステキストとをマッチングする2次項の2つの用語で,環境横断最大概念マッチング(MCM)スコアを提案する。 我々は、OOD入力に対する正の環境遷移と有界なクラスマッチングマージンの下で、このスコアが標準MCM検出器よりも調整された閾値で偽陽性率に達しないことを証明した。 次に, 2 つの環境間の MCM 検出器のスコアギャップは, 配当データを保持する閾値を持たない硬質環境から, ソフト OOD 環境, 明示的な AUROC , 真正, 偽正の保証を分離した OOD 環境へのクロスモーダル寄与を減らし, 配当内環境の自己寄与に等しいことを示す。 全ての環境のテキストプロトタイプがプールされているケース検出では、過去の環境における偽陽性率は時間の経過とともに減少せず、検出が確実に失敗すると特徴付けられる。 分類損失の勾配とスムーズな偽陽性率に適用される寄与バランス係数がフレームワークを完成させる。

関連論文リスト

• T-QPM: Enabling Temporal Out-Of-Distribution Detection and Domain Generalization for Vision-Language Models in Open-World [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド学習において依然として重要な課題である。 動的環境下でのOOD検出を強化するための新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-19T04:35:38Z)
• Tracking the Discriminative Axis: Dual Prototypes for Test-Time OOD Detection Under Covariate Shift [9.525480587488095]
  ディープラーニングシステムの信頼性の高いデプロイには、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,2つのプロトタイプを動的に追跡するオンラインOOD検出手法であるDARTを提案する。 提案手法は, ImageNet-C vs. Textures-CにおけるAUROC利得が15.32ポイント (pp) , FPR@95TPRが49.15pp削減された。
  論文  参考訳（メタデータ） (2026-03-16T12:51:46Z)
• Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization [14.19414103184649]
  アウト・オブ・ディストリビューション(OOD)の一般化は、モデルが環境間の相関シフトに同時に遭遇する場合に困難である。 既存の不変リスク最小化法(IRM)は、主に環境レベルでの急激な相関に対処する。 環境条件付きテール再重み付けによりテレビベースの不変学習を増強する統合フレームワークであるECTR(Total Variation Invariant Risk Minimization)について,環境条件付きテール再重み付けを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:03:04Z)
• Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
  CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。 CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
  論文  参考訳（メタデータ） (2026-01-13T12:08:26Z)
• 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)
• Ecologically Valid Benchmarking and Adaptive Attention: Scalable Marine Bioacoustic Monitoring [2.558238597112103]
  GetNetUPAMは、現実的な可変性の下で安定性をモデル化するためのネストされたクロスバリデーションフレームワークである。 データは異なるサイト年区分に分割され、記録を保存し、各バリデーションフォールドがユニークな環境サブセットを反映することを保証する。 ARPA-Nは、DenseNetベースラインに対する平均精度が14.4%向上し、すべてのメトリクスで対数2スケールのオーダー・オブ・マグニチュードが減少する。
  論文  参考訳（メタデータ） (2025-09-04T22:03:05Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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。