論文の概要: Circumventing Magnitude Collapse via Modular Two-Stage Open-Set Recognition

• arxiv url: http://arxiv.org/abs/2611.03421v1
• Date: Mon, 02 Nov 2026 16:44:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:37:59.361977
• Title: Circumventing Magnitude Collapse via Modular Two-Stage Open-Set Recognition
• Title（参考訳）: Modular Two-Stage Open-Set Recognitionによる経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時
• Abstract要約: オープンセット認識(OSR)は、未知のサンプルを拒絶しながら既知のクラスを分類するためにニューラルネットワークを必要とする。 本研究は,データセットスケールにおける表現学習と後処理の相互作用に関する最初の体系的研究である。 これらの結果は,単純な$K+1$クラスベースラインで最先端のパフォーマンスを実現するためにどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 2.17093647756125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set recognition (OSR) requires neural networks to classify known classes while rejecting unknown samples, which is critical for real-world deployment. So far, OSR research studied and developed representation learning and postprocessing methods independently and their interactions remain unexplored. In this paper, we reconsider OSR as a modular two-stage pipeline and present the first systematic study of interactions between representation learning and postprocessing methods across dataset scales and usage of known unknown data. First, we discover a failure mode we term \emph{magnitude collapse}, where representation learning methods that utilize known unknown data can suffer performance degradation at large scale and irreversibly destroy discriminative information, despite excelling at small scale. Second, we study the modular interactions and reveal when they can be leveraged for modular performance gains via two-stage processing and where interaction effects amplify performance degradation due to magnitude collapse. Third, we show how these findings can be used to achieve state-of-the-art performance with a simple $K+1$ class classifier baseline and magnitude-aware postprocessing while circumventing magnitude collapse. Finally, our results demonstrate that small-scale evaluations with known unknown data are not predictive of large-scale performance, invalidating current best practices in OSR research. Code available at https://github.com/TwoDigitsOneNumber/Two-Stage-OSR.
• Abstract（参考訳）: オープンセット認識(OSR)は、未知のサンプルを拒絶しながら既知のクラスを分類するためにニューラルネットワークを必要とする。 これまでのOSR研究は、表現学習と後処理を独立に研究・開発しており、それらの相互作用は未解明のままである。 本稿では、OSRをモジュラー2段階パイプラインとして再考し、データセットスケールにおける表現学習と後処理の相互作用と未知データの利用に関する最初の体系的研究を示す。 まず, 未知データを用いた表現学習手法が, 大規模に性能劣化に悩まされ, 小型ながら識別情報を不可逆的に破壊する, 故障モードを「emph{magnitude collapse}」と呼ぶ。 第2に,モジュール間相互作用について検討し,二段階処理によるモジュラー性能向上にいつ活用できるかを明らかにし,相互作用効果が大きめの崩壊による性能劣化を増幅するかを明らかにする。 第三に、これらの知見が、単純な$K+1$クラス分類器ベースラインと大小認識後処理を回避しつつ、大小の崩壊を回避し、最先端のパフォーマンスを達成するためにどのように利用できるかを示す。 最後に, 未知データを用いた小規模評価は, 大規模性能の予測には至らず, 現行OSR研究のベストプラクティスの無効化を図っている。 コードはhttps://github.com/TwoDigitsOneNumber/Two-Stage-OSRで公開されている。

関連論文リスト

• Buffer-free Class-Incremental Learning with Out-of-Distribution Detection [17.67144692440415]
  クラスインクリメンタルラーニング(CIL)は、オープンワールドシナリオにおいて大きな課題となる。 本稿では,ポストホックOOD検出手法の詳細な解析を行い,メモリバッファの必要性を解消する可能性について検討する。 このバッファフリー手法は,クラスインクリメンタル学習と未知サンプルの拒絶という両面において,バッファベースの手法と同等あるいは優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-29T13:01:00Z)
• SphOR: A Representation Learning Perspective on Open-set Recognition for Identifying Unknown Classes in Deep Learning Models [1.2172320168050468]
  我々は,特徴空間をフォン・ミセス・フィッシャー分布の混合としてモデル化する表現学習手法であるSphORを紹介する。 このアプローチは、トレーニング中に意味的に曖昧なサンプルを使用することを可能にし、未知のクラスからのサンプルの検出を改善する。
  論文  参考訳（メタデータ） (2025-03-11T05:06:11Z)
• ROG$_{PL}$: Robust Open-Set Graph Learning via Region-Based Prototype Learning [52.60434474638983]
  本稿では,複雑な雑音グラフデータに対する堅牢なオープンセット学習を実現するために,ROG$_PL$という統一フレームワークを提案する。 このフレームワークは2つのモジュール、すなわちラベルの伝搬による認知と、リージョンによるオープンセットのプロトタイプ学習で構成されている。 我々の知る限り、ROG$_PL$は複雑なノイズを持つグラフデータに対して、最初の堅牢なオープンセットノード分類法である。
  論文  参考訳（メタデータ） (2024-02-28T17:25:06Z)
• LORD: Leveraging Open-Set Recognition with Unknown Data [10.200937444995944]
  LORDは未知のデータを活用することでオープンセット認識を活用するためのフレームワークである。 我々は、背景データを利用した3つのモデルに依存しない訓練戦略を特定し、それらを確立された分類器に適用する。
  論文  参考訳（メタデータ） (2023-08-24T06:12:41Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。