本研究では、特定のクラスラベルに対する否定的な意味を表すプロンプトを学習することで、既知のクラスと未知のクラスの境界を明確にし、分布外検出の性能を向上させる手法を提案する。
機械学習モデルは通常、学習時と検証時のデータ分布が同一であることを前提としているが、実際の状況ではこの仮定が成り立たないことが多い。分布の変化を正確に検出することは重要である。本研究では、分布外検出問題を統計的検定の枠組みで捉え直し、Wasserstein距離に基づくテストの収束保証を示す。
木に基づくアンサンブル学習モデルを用いて、訓練データと異なる分布の検出を行う簡単かつ効果的な手法を提案する。
ラベルスムージングは既知クラスの分類精度を向上させる一方で、分布外検出性能を低下させる場合がある。本稿では、その原因を分析し、ラベルスムージングを適応的に適用することで、既知クラスの分類と未知クラスの検出の両方に有効な手法を提案する。
本稿では、画像の低周波成分と高周波成分の条件付き分布をモデル化することで、従来の手法よりも効果的に共変量シフトを検出できることを示しています。
本稿では、既存のOutlier Exposure (OE)手法を基に、IDデータとOODデータの信頼スコア間の差異を拡大することで、より効果的なOOD検出を実現するMargin bounded Confidence Scores (MaCS)を提案する。
本稿では、深層学習モデルにおける分布外(OOD)検出に、最適輸送(OT)を用いた新しい手法を提案する。これは、テスト入力と学習データ間の分布の差異を測定することで、OODデータを効果的に識別するものである。
本稿では、多様なタスクにおいて単一の事前学習済み拡散モデルを用いて、従来手法に匹敵する精度で分布外検出を実現する新たな手法「Diffusion Paths (DiffPath)」を提案する。