TASTE: 対石の操作を用いたタスク認識型の外れ値検出

arXiv:2602.07640v1 公開タイプ: 新しい 要約：外れ値検出手法は、しばしば訓練入力分布からの偏離を検出するデータ中心のアプローチ（これがトレーニングされたモデルに与える影響を考慮していない場合がある）か、分類器の出力に依存するモデル中心のアプローチ（明示的なデータ幾何学の参照を含まない場合がある）であることが多い。当提案の TASTE（タスク認識型 対石の操作）は、対石と呼ばれる操作に基づくタスク認識型フレームワークであり、分布のシフトをモデルの入力感度と結びつけることを可能にする。我々は、得られる演算子について、分布のシフトをモデルの感度場に投影したものとされる明確な幾何学的解釈を与え、理論的な保証を示した。分布の存在を検出するだけでなく、この構成は座標ごとの分解を通じてその局在化を可能にし、画像データにおいては解釈可能なるピクセルごとの診断を提供する。制御されたガウスシフト、幾何学的微擾を受けた MNIST、および CIFAR-10 の微擾ベンチマークでの実験は、提案手法がタスク劣化と密接に一致し、既述された基盤を凌駕することを示している。

arXiv:2602.07640v1 Announce Type: new Abstract: Out-of-distribution detection methods are often either data-centric, detecting deviations from the training input distribution irrespective of their effect on a trained model, or model-centric, relying on classifier outputs without explicit reference to data geometry. We propose TASTE (Task-Aware STEin operators): a task-aware framework based on so-called Stein operators, which allows us to link distribution shift to the input sensitivity of the model. We show that the resulting operator admits a clear geometric interpretation as a projection of distribution shift onto the sensitivity field of the model, yielding theoretical guarantees. Beyond detecting the presence of a shift, the same construction enables its localisation through a coordinate-wise decomposition, and for image data-provides interpretable per-pixel diagnostics. Experiments on controlled Gaussian shifts, MNIST under geometric perturbations, and CIFAR-10 perturbed benchmarks demonstrate that the proposed method aligns closely with task degradation while outperforming established baselines.