論文の概要: Subspace Learning with Outlier Exposure for Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2611.07580v1
• Date: Thu, 05 Nov 2026 07:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.582501
• Title: Subspace Learning with Outlier Exposure 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外部露光を用いたサブスペース学習
• Abstract要約: OoD(Out-of-Distribution)検出は、ディープニューラルネットワーク(DNN)の信頼性の高いデプロイメントにおいて重要である InDデータと補助出力から適切な特徴部分空間を学習するOEベースの検出フレームワークRecOEを提案する。
• 参考スコア（独自算出の注目度）: 41.06590880711656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-Distribution (OoD) detection is pivotal for reliable deployments of Deep Neural Networks (DNNs), aiming to distinguish anomalous samples from the In-Distribution (InD) data in training. By introducing outliers as surrogate OoD data to finetune DNNs, Outlier Exposure (OE) has greatly advanced OoD detection in recent years. Existing OE-based research remains predominantly logit-centric, either by generating diverse outliers or by regularizing them with objectives operating at the prediction-output level. Nonetheless, these approaches leave much of the rich information in feature spaces untapped. In this work, we propose an OE-based detection framework, named RecOE, that learns appropriate feature subspaces from InD data and auxiliary outliers, such that the InD-OoD discrepancy can be effectively characterized through the learned feature subspaces. Specifically, the feature subspaces are optimized to capture the dominant variations of InD and outliers by minimizing reconstruction errors therein. Besides, a sample-level objective discourages reconstruction in the opposing subspace, while an orthogonality regularizer reduces subspace overlap, further promoting discriminative subspaces. At inference, the difference in reconstruction errors between the learned subspaces serves as the OoD detection score. Extensive experiments show the superiority of RecOE on multiple benchmarks, in which significant performance gains are achieved over recent strong baselines with only slight extra overhead from two small-size matrices of subspace bases. The source code is available at https://github.com/shenhongxu123/RecOE.
• Abstract（参考訳）: OoD(Out-of-Distribution)検出は、トレーニング中のIn-Distribution(In-Distribution)データから異常サンプルを識別することを目的として、Deep Neural Networks(DNN)の信頼性の高いデプロイメントにおいて重要な機能である。 細粒度DNNにOoDデータを補助する手段として、OE(Outlier Exposure)は近年、OoD検出を大幅に進歩させてきた。 既存のOEベースの研究は、様々な外れ値を生成するか、予測出力レベルで運用する目的でそれらを正規化することによって、主にロジット中心に留まっている。 にもかかわらず、これらのアプローチは機能空間の豊富な情報を未解決のまま残している。 本研究では,InDデータと補助出力器から適切な特徴部分空間を学習するRecOEというOEベースの検出フレームワークを提案する。 特に、特徴部分空間は、その再構成誤差を最小限に抑えて、InDとoutlierの圧倒的な変動を捉えるように最適化されている。 さらに、サンプルレベルの目的は反対部分空間の再構成を妨げ、直交正則化器は部分空間の重なりを減らし、さらに識別的部分空間を促進させる。 推測では、学習した部分空間間の再構成誤差の差がOoD検出スコアとなる。 複数のベンチマークにおけるRecOEの優位性を示す大規模な実験では、最近の強いベースラインよりも大きな性能向上が達成され、サブスペースベースの2つの小さな行列からわずかに余分なオーバーヘッドしか得られなかった。 ソースコードはhttps://github.com/shenhongxu123/RecOEで入手できる。

関連論文リスト

• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• Kernel PCA for Out-of-Distribution Detection: Non-Linear Kernel Selections and Approximations [25.028842299572833]
  OoD(Out-of-Distribution)検出は、ディープニューラルネットワークの信頼性に不可欠である。 本研究では,OoDとIn-Distribution(In-Distribution,In-Distribution,InD)データの相違を,非線形特徴部分空間の新たな視点を通じて活用する。 我々は、カーネル主成分分析(KPCA)のフレームワークを活用して、識別非線形部分空間を実現する。
  論文  参考訳（メタデータ） (2025-05-21T09:06:44Z)
• Subspace Representation Learning for Sparse Linear Arrays to Localize More Sources than Sensors: A Deep Learning Methodology [19.100476521802243]
  我々はスパース線形アレイ(SLA)のサンプル共分散からコアレイ部分空間を推定する新しい手法を開発した。 このような表現を学習するために、所望部分空間と推定部分空間との分離を測る損失関数を提案する。 異なる次元の学習部分空間の計算は、新しいバッチサンプリング戦略によって高速化される。
  論文  参考訳（メタデータ） (2024-08-29T15:14:52Z)
• Subspace-Guided Feature Reconstruction for Unsupervised Anomaly Localization [5.085309164633571]
  監督されていない異常なローカライゼーションは工業生産において重要な役割を担っている。 最近の手法では、事前訓練されたディープニューラルネットワークを用いて、ターゲットサンプルの特徴マッチングや再構成を行う。 本稿では,アノマライゼーションのための適応的特徴近似を追求する,新しいサブスペース誘導型特徴再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T06:58:57Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。