論文の概要: Anti-coherence Regularized Absolute Scaling for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2610.32255v1
• Date: Fri, 23 Oct 2026 07:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.415935
• Title: Anti-coherence Regularized Absolute Scaling for Out-of-Distribution Detection
• Title（参考訳）: アウト・オブ・ディストリビューション検出のための非コヒーレンス正規化絶対スケーリング
• Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、AI安全性の重要な問題として認識されている。 本稿では,トレーニングデータに依存する手法を結びつける,あるいはより優れたアクティベーション形成手法を提案する。
• 参考スコア（独自算出の注目度）: 21.413182456188807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is recognized as a critical problem in AI safety. SCALE is an effective post-hoc OOD detection method in the activation-shaping family that requires no training data and rescales penultimate activations using a percentile-based magnitude ratio. However, this ratio is ill-defined when negative activations are present, since positive and negative contributions cancel within the underlying sum, causing SCALE to degenerate on backbones such as ViT. We address this with an Absolute Fix that computes the ratio over absolute-valued activations rather than discarding negative activations through ReLU. Building on this corrected scale, we propose Anti-coherence regularization, which penalizes the scaling factor by the fraction of a sample's max-logit contributions to the max logit that are sign-mismatched and thereby suppresses unreliable evidence for the predicted class. Despite requiring no access to training data or training labels, our method ties or outperforms activation-shaping methods that rely on training data in terms of AUROC and FPR@95 on CIFAR-10 and ImageNet under the OpenOOD v1.5 protocol.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、AI安全性の重要な問題として認識されている。 SCALEは、トレーニングデータを必要としないアクティベーション・シェイピング・ファミリーにおいて、効果的なポストホックなOOD検出方法であり、パーセンタイル・マグニチュード比を用いて、ペナルティ・アクティベーションを再スケールする。 しかし、この比は負のアクティベーションが存在する場合、負のコントリビューションが基礎となる和内でキャンセルされるため、SCALEはViTのようなバックボーン上で退化する。 本稿では、ReLUによる負のアクティベーションを捨てるのではなく、絶対値のアクティベーションに対する比率を計算する絶対固定を用いてこの問題に対処する。 この補正スケールに基づいて、サンプルの最大ロジット寄与の分数でスケーリング係数をペナル化する反コヒーレンス正則化を提案し、これにより予測されたクラスに対する信頼性の低い証拠を抑える。 トレーニングデータやトレーニングラベルへのアクセスは必要ありませんが,OpenOOD v1.5プロトコルでは,AUROCやFPR@95といったトレーニングデータに依存したアクティベーション形成手法をCIFAR-10やImageNetで実現しています。

関連論文リスト

• Beyond Penalization: Diffusion-based Out-of-Distribution Detection and Selective Regularization in Offline Reinforcement Learning [29.019573695533563]
  我々は,一様ペナル化を超える新しい枠組みであるDOSER(Diffusion-based OOD Detection and Selective Regularization)を提案する。 本稿では,DOSERが従来手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-06T01:21:53Z)
• Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models [22.58959194553246]
  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)から逸脱するサンプルを特定することを目的としている。 1つの一般的なパイプラインは、IDクラスから離れた負のラベルを導入し、それらのラベルとの距離に基づいてOODを検出することでこの問題に対処する。 コーパスデータセット全体のアクティベーションレベルを動的に評価することにより、アンダーラインテスト時アンダーラインアクティベートアンダーラインNegativeアンダーラインラベル(TANL)を提案する。
  論文  参考訳（メタデータ） (2026-03-26T09:53:04Z)
• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• Feature Separation and Recalibration for Adversarial Robustness [18.975320671203132]
  本稿では,特徴分離と再校正という手法を提案する。 分離と再校正を通じて、より堅牢な機能マップのために、悪意のある非不正なアクティベーションを再校正する。 これにより、計算オーバーヘッドが小さいため、既存の敵の訓練手法の堅牢性は最大8.57%向上する。
  論文  参考訳（メタデータ） (2023-03-24T07:43:57Z)
• Anti-Exploration by Random Network Distillation [63.04360288089277]
  ランダムネットワーク蒸留 (RND) の条件付けは, 不確実性推定器として用いるのに十分な識別性がないことを示す。 この制限は、FiLM(Feature-wise Linear Modulation)に基づく条件付けによって回避できることを示す。 D4RLベンチマークで評価したところ、アンサンブルベースの手法に匹敵する性能を達成でき、アンサンブルのない手法よりも広いマージンで性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-01-31T13:18:33Z)
• Your Out-of-Distribution Detection Method is Not Robust! [0.4893345190925178]
  オフ・オブ・ディストリビューション(OOD)検出は,信頼性と安全性において領域外サンプルを特定することの重要性から,近年注目されている。 この問題を緩和するために、最近いくつかの防衛策が提案されている。 我々は、より大きな摂動サイズを持つイン/アウトデータに対するエンドツーエンドのPGD攻撃に対して、これらの防御を再検討する。
  論文  参考訳（メタデータ） (2022-09-30T05:49:00Z)
• Improving Out-of-Distribution Detection via Epistemic Uncertainty Adversarial Training [29.4569172720654]
  我々は,ドロップアウトアンサンブルによって予測される不確実性の攻撃を組み込んだ,単純な対向訓練手法を開発した。 本手法は,OOD検出性能を標準データ上で向上させる(逆向きではない)とともに,ほぼランダムな推定性能から$geq 0.75$まで,標準化された部分AUCを改善する。
  論文  参考訳（メタデータ） (2022-09-05T14:32:19Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• 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。