デュアルアダプタ：トレーニング不要のデュアル適応による少数ショット 分布外検出

私たちは、推論時に未見のカテゴリからの分布外（OOD）サンプルを、わずか数個のラベル付きインドメイン（ID）サンプルで検出することを目的とした、少数ショット分布外検出の問題を研究します。既存の方法は主にOOD検出のためのタスク認識プロンプトのトレーニングに焦点を当てています。しかし、少数ショットデータでトレーニングすると、深刻な過剰適合を引き起こす可能性があり、テキストプロンプトだけでは効果的な検出には不十分な場合があります。これらの問題に対処するために、テキストと視覚の両方の観点からOODサンプルを検出するための事前ベースのトレーニング不要デュアル適応法（デュアルアダプタ）を提案します。具体的には、デュアルアダプタはまず、最も重要なチャネルを正の特徴として抽出し、残りの関連性の低いチャネルを負の特徴として指定します。次に、デュアルな視点から正のアダプターと負のアダプターの両方を構築し、トレーニングデータセット内の以前のアウトルックまたは干渉する特徴をより効果的に活用します。このようにして、デュアルアダプタは、トレーニングする必要がないCLIPの利点を継承しつつ、IDとOODサンプルの区別にも優れています。4つのベンチマークデータセットにおける広範な実験結果は、デュアルアダプタの優位性を示しています。