組成的基盤に基づく分布外検出

arXiv:2604.21546v1 Announce Type: new 概要：分布外 (OOD) 検出は、自然な在分布 (ID) 多様性に対して過剰反応を起こさずに、微妙な変化に敏感性を持たせる必要があります。しかし、検出粒度の観点から見て、グローバルな表現はローカルの OOD ヒアに抑圧的に働き、パッチベースの手法は偽の相関とノイズによる絡みつきに不安定です。そして、どちらも有効な成分を備えた構造的な OOD を検出する効果はありません。成分認識理論に着想を得て、私々は入力を実用的な成分に分解することにより既存の限界に対処する、トレーニング不要な CoOD (組成的基盤に基づく OOD 検出) フレームワークを提示します。CoOD を具体化するために、局部的な外観変化を検出するもの、および相互間の構造的な不一致を特定するもの、それぞれ Component Shift Score (CSS) と Compositional Consistency Score (CCS) を導出します。経験的に、CoOD は粗粒度および微細粒度の OOD 検出において一貫した改善をもたらしています。

arXiv:2604.21546v1 Announce Type: new Abstract: Out-of-Distribution (OOD) detection requires sensitivity to subtle shifts without overreacting to natural In-Distribution (ID) diversity. However, from the viewpoint of detection granularity, global representation inevitably suppress local OOD cues, while patch-based methods are unstable due to entangled spurious-correlation and noise. And neither them is effective in detecting compositional OODs composed of valid ID components. Inspired by recognition-by-components theory, we present a training-free Component-Based OOD Detection (CoOD) framework that addresses the existing limitations by decomposing inputs into functional components. To instantiate CoOD, we derive Component Shift Score (CSS) to detect local appearance shifts, and Compositional Consistency Score (CCS) to identify cross-component compositional inconsistencies. Empirically, CoOD achieves consistent improvements on both coarse- and fine-grained OOD detection.