분포 외 탐지(OOD)를 위한 통합 프레임워크 UFCOD를 제안한다. 확산 모델의 노이즈 예측이 점수 함수임을 활용해 경로 에너지와 동역학 에너지 두 가지 특성을 추출하고 이산 소볼레프 노름을 구성한다. 한 번 학습으로 임의의 새 도메인에 배포 가능한 패러다임을 제시하며, 각 과제에 100개의 레이블 없는 ID 샘플만으로 12개 교차 도메인 벤치마크에서 평균 93.7% AUROC를 달성해 기존 방법 대비 약 500배 향상된 샘플 효율성을 보였다.
- •UFCOD는 확산 모델 궤적의 정보 기하학적 분석을 통해 교차 도메인 OOD 탐지를 수행하는 통합 프레임워크다.
- •경로 에너지(통합 점수 크기)와 동역학 에너지(점수 부드러움)를 추출해 이산 소볼레프 노름을 구성한다.
- •한 번 학습한 확산 모델이 의미적으로 관련 없는 도메인의 OOD 탐지를 위한 범용 특성 추출기로 활용된다.
- •각 새 과제에 100개의 레이블 없는 ID 샘플만 필요해 기존 방법 대비 약 500배 향상된 샘플 효율성을 달성했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Geometry over Density: Few-Shot Cross-Domain OOD Detection
- 1.단일 사전학습 모델로 임의 도메인 간 OOD 탐지를 수행하는 UFCOD 프레임워크 제안
- 2.정보기하학 기반 확산 경로 분석으로 경로 에너지·동역학 에너지 두 특징 추출
- 3.100개 샘플만으로 12개 벤치마크 평균 AUROC 93.7% 달성, 샘플 효율 500배 향상
- 4.한 번 학습 후 어느 도메인에나 재훈련 없이 배포 가능한 범용 OOD 탐지 실현
왜 중요한가?
기존 OOD 탐지는 특정 학습 분포에 종속되어 도메인 이동 시 재훈련이 필요했으나, UFCOD는 단일 모델로 무관한 도메인에서도 높은 정확도를 유지해 실제 배포 안전성을 크게 높일 수 있다.
언급 프로젝트
본문 미리보기
arXiv:2605.03410v2 Announce Type: new Abstract: Out-of-distribution (OOD) detection identifies test samples that fall outside a model's training distribution, a capability critical for safe deployment in high-stakes applications. Standard OOD detectors are trained on a specific in-distribution (ID) dataset and detect deviations from that single domain. In contrast, we study few-shot cross-domain OOD detection: given a \emph{single} pre-trained model, can we perform OOD detection on \emph{arbitr
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
