الانحراف في فضاء الميزات للكشف عن التوزيعات غير الموزونة

كشف العينة غير الموزعة (OoD) يُعد أمرًا بالغ الأهمية لبناء أنظمة ذكاء اصطناعي آمنة. ومع ذلك، لا تزال الطرق الحالية للكشف عن العينات غير الموزعة غير قادرة على تلبية متطلبات الأداء المطلوبة للنشر العملي. في هذا البحث، نقترح خوارزمية بسيطة ولكن فعالة، مبنية على ملاحظة جديدة: في الشبكة العصبية المدربة، تتركز العينات غير الموزعة ذات القيم المحدودة في الفضاء المميزات. نُسمّي مركز مميزات العينات غير الموزعة "النقطة الوحيدة في فضاء المميزات" (FSS)، ونرمز إلى المسافة بين ميزة عينة ما وFSS بـ FSSD. ثم يمكن تحديد العينات غير الموزعة من خلال تطبيق حدّ معين على FSSD. تُظهر تحليلاتنا للظاهرة سبب فعالية خوارزميتنا. ونُظهر أن خوارزميتنا تحقق أداءً متقدمًا على مجموعة متنوعة من معايير الكشف عن العينات غير الموزعة. علاوة على ذلك، يتمتع FSSD بمقاومة عالية تجاه التلف البسيط في بيانات الاختبار، ويمكن تحسينه أكثر من خلال الجمع بين عدة نماذج (ensembling). هذه الخصائص تجعل FSSD خوارزمية واعدة للتطبيق في العالم الحقيقي. نُطلق رمز الكود الخاص بنا عبر الرابط: \url{https://github.com/megvii-research/FSSD_OoD_Detection}.