論文の概要: CCD: Context-Calibrated Open-Entity Out-of-Distribution Detection in In-Context Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2611.01489v1
• Date: Sun, 01 Nov 2026 03:22:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:44:01.789258
• Title: CCD: Context-Calibrated Open-Entity Out-of-Distribution Detection in In-Context Tabular Foundation Models
• Title（参考訳）: CCD:In-Context Tabular Foundation Modelにおけるコンテキストキャリブレーション型オープンエンティティアウト・オブ・ディストリビューション検出
• Abstract要約: Webアプリケーションでは、新しいエンティティを未知のクラスと間違えてはならず、未知のクラスをキャッチしなければなりません。 既存の検出器はこの設定で失敗し、エンティティ分割ギャップは失敗を隠す。 本研究では,分布内データのグループアウトスワップを用いて3つの距離を校正し,新しい濃度基準に対する信頼度を推定するコンテキスト校正検出(CCD)を提案する。
• 参考スコア（独自算出の注目度）: 9.467861635364079
• License:
• Abstract: In-context tabular foundation models (TFMs), such as TabPFN, predict from a labelled context without updating their parameters and are increasingly used for out-of-distribution (OOD) detection in Web applications, whose test rows come from entities absent from that context. Such applications need open-entity OOD detection: a new entity must not be mistaken for an unknown class, and an unknown class must still be caught. Existing detectors fail in this setting, and an entity-split gap hides the failure: random splits also place the test entities in the context. The failure arises because every TFM score reflects how unfamiliar a row is to the context. This produces an entity-over-class bias: known-class rows of new entities look more OOD than familiar ones, sometimes more than unknown classes. Specifically, the two OOD scores most widely used with in-context TFMs face an entity-class trade-off: the TFM's predictive confidence misses unknown classes, whereas the distance of a test row to the context flags new entities. To address this problem, we hold a group of entities out of the context and score them with the remaining context, which turns them into new entities of known classes and tells us how such rows should score. To measure detection on new entities, we build NEO-Tab (New-Entity OOD detection on Tables), 14 grouped and temporal tables on which all test rows come from new entities. We then propose Context-Calibrated Detection (CCD), which uses these group-out swaps on in-distribution data to calibrate three distances and the confidence against new-entity references. CCD weights them by their sensitivity and sharpness, keeps the model frozen and uses no OOD data. On NEO-Tab, CCD outperforms 16 existing detectors on every metric we report, and its lead holds on three TFM backbones.
• Abstract（参考訳）: TabPFN (In-context tabular foundation model, TFM) は、パラメータを更新せずにラベル付きコンテキストから予測し、テスト行はそのコンテキストから欠落したエンティティから来るWebアプリケ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)の検出に使用される。 新しいエンティティを未知のクラスと間違えてはならず、未知のクラスをキャッチしなければならない。 既存の検出器はこの設定でフェールし、エンティティと分割されたギャップは失敗を隠す:ランダムな分割はテストエンティティをコンテキストに配置する。 失敗は、すべてのTFMスコアが、行がコンテキストにどれだけ不慣れであるかを反映しているため発生します。 新しいエンティティの既知のクラス行は、よく知られたものよりも、時には未知のクラスよりもOODに見えます。 TFMの予測信頼度は未知のクラスを見逃し、テスト行からコンテキストまでの距離は新しいエンティティをフラグ付けする。 この問題に対処するために、私たちはコンテキストからエンティティのグループを保持し、残りのコンテキストでそれらをスコアし、それらを既知のクラスの新しいエンティティに変換し、そのような行がどのようにスコアをとるべきかを教えてくれます。 新しいエンティティの検出を計測するために、NEO-Tab (New-Entity OOD Detection on Tables) を構築します。 次に、これらのグループアウトスワップを分布内データに用いて、3つの距離をキャリブレーションし、新しい濃度基準に対する信頼度を補正するコンテキストキャリブレーション検出(CCD)を提案する。 CCDは感度とシャープさでそれらを重み付け、モデルを凍結させ、OODデータを使用しない。 NEO-Tabでは、CCDが16個の既存の検出器を上回り、3つのFMバックボーンをリードする。

関連論文リスト

• RAD: Rule-Augmented Relational Anomaly Detection [11.251069238986483]
  異常検出はリレーショナルデータベースに格納されたデータに適用されることが多い。 既存のほとんどのメソッドでは、複数のテーブルを単一の機能マトリックスにフラット化する必要があります。 ルール拡張型リレーショナル・アノマリー検出器RADを提案する。
  論文  参考訳（メタデータ） (2026-08-24T16:36:17Z)
• Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities [54.48612448535698]
  時間的知識グラフ(TKG)の推論は、将来の事象や時間的な事実を予測する上で不可欠である。 本稿では,意味論的に類似したエンティティから過去のインタラクションシーケンスを活用し,帰納的推論を支援する新しいフレームワークであるTransFIRを提案する。
  論文  参考訳（メタデータ） (2026-04-11T11:23:05Z)
• LLM-OREF: An Open Relation Extraction Framework Based on Large Language Models [33.390431878938124]
  オープンリレーション抽出(OpenRE)の目的は、トレーニング中に遭遇しない新しいリレーションに一般化できるREモデルを開発することである。 本稿では,大規模言語モデル(LLM)に基づくOpenREフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-18T15:46:40Z)
• See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
  この課題を解決するために,LMMのカスケードと共同学習手法を提案する。 得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
  論文  参考訳（メタデータ） (2023-12-13T18:58:04Z)
• A Diffusion Weighted Graph Framework for New Intent Discovery [25.364554033681515]
  New Intent Discovery (NID)は、ラベルのないデータから、新しいインテントと既知のインテントの両方を認識することを目的としている。 従来の手法では、量と品質のバランスが取れないノイズの多い監視信号を生成する。 本稿では,データ固有の意味的類似性と構造的関連性の両方を捉えるために,DWGF(Diffusion Weighted Graph Framework)を提案する。
  論文  参考訳（メタデータ） (2023-10-24T13:43:01Z)
• TempEL: Linking Dynamically Evolving and Newly Emerging Entities [50.980331847622026]
  進化を続ける世界では、エンティティは時間とともに変化し、これまで存在していなかった、あるいは未知の、新しいエンティティが現れます。 本研究では,この進化シナリオが,十分に確立されたエンティティリンク(EL)タスクの性能に与える影響について検討する。 我々は,2013年から2022年までの英語ウィキペディアスナップショットからなるエンティティリンクデータセットであるTempELを紹介した。
  論文  参考訳（メタデータ） (2023-02-05T22:34:36Z)
• SUN: Exploring Intrinsic Uncertainties in Text-to-SQL Parsers [61.48159785138462]
  本稿では,ニューラルネットワークに基づくアプローチ(SUN)における本質的な不確かさを探索することにより,テキストから依存への変換性能を向上させることを目的とする。 5つのベンチマークデータセットの大規模な実験により、我々の手法は競合より大幅に優れ、新しい最先端の結果が得られた。
  論文  参考訳（メタデータ） (2022-09-14T06:27:51Z)
• Entity Cloze By Date: What LMs Know About Unseen Entities [79.34707800653597]
  言語モデル(LM)は通常、大規模なコーパスで一度訓練され、更新されずに数年間使用される。 本研究では,LMの事前学習時に存在しなかった新しいエンティティについて,LMがどのような推論ができるのかを解析する枠組みを提案する。 本論文は,その発祥日によって索引付けされたエンティティのデータセットを,英語のウィキペディア記事と組み合わせて作成し,各エンティティに関する文章を検索する。
  論文  参考訳（メタデータ） (2022-05-05T17:59:31Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Knowing False Negatives: An Adversarial Training Method for Distantly Supervised Relation Extraction [8.764365529317923]
  疑似負関係抽出のための2段階のアプローチを提案する。 まず、ディープニューラルネットワークのメモリ機構を利用して、可能なFNサンプルを見つける。 そして、これらのラベルのないデータとトレーニングデータとを、擬似ラベルを割り当てる対向訓練により、統一された特徴空間に整列する。
  論文  参考訳（メタデータ） (2021-09-05T15:11:24Z)

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。