MOS: نحو التوسع في كشف التوزيع غير الموزون في الفضاء الدلالي الكبير

كشف الدخل غير الموزع (OOD) يُعد تحديًا رئيسيًا لتشغيل نماذج التعلم الآلي بشكل آمن في العالم الحقيقي. تعتمد الحلول الحالية بشكل رئيسي على مجموعات بيانات صغيرة ذات دقة منخفضة وعدد قليل جدًا من فئات التصنيف (مثل CIFAR). نتيجة لذلك، لا يزال كشف OOD في مهام تصنيف الصور على نطاق واسع موضوعًا لم يُستكشف بشكل كافٍ. في هذا البحث، نُغطي هذه الفجوة الحاسمة من خلال اقتراح إطار عمل مبني على المجموعات لكشف OOD، إلى جانب دالة تقييم OOD جديدة تُسمى MOS. الفكرة الأساسية لدينا هي تقسيم الفضاء الدلالي الكبير إلى مجموعات أصغر تحتوي على مفاهيم متشابهة، مما يُبسط حدود القرار بين البيانات الداخلة والخارجة عن التوزيع، وبالتالي يُعزز فعالية كشف OOD. تتفوّق طريقةنا بشكل كبير على النماذج السابقة من حيث التوسع في الفضاءات الفئوية عالية الأبعاد. قمنا بتقييم النماذج المدربة على ImageNet مقابل أربع مجموعات بيانات OOD تم اختيارها بعناية، تمتد عبر دلالات متنوعة. تُظهر MOS أداءً متقدمًا على مستوى الحالة الحالية، حيث تقلل من متوسط معدل الخطأ من النوع الأول عند 95% من التقدير (FPR95) بنسبة 14.33%، مع تحقيق تسريع بنسبة 6 مرات في عملية الاستدلال مقارنة بالطريقة السابقة الأفضل.