التعلم القائم على التحول المُتغِير للكشف عن التوزيعات غير المُتوقعة

تلعب الكشف عن العينات الخارجة عن التوزيع (OOD) دورًا محوريًا في التطبيقات ذات العالم المفتوح والحرجة من حيث السلامة، مثل الأنظمة المستقلة والرعاية الصحية. في الآونة الأخيرة، أظهرت تقنيات تعلم التمثيل ذاتي (من خلال التعلم التمييزي والتعلم المسبق) فعالية في تحسين الكشف عن العينات الخارجة عن التوزيع. ومع ذلك، يمثل أحد المشكلات الرئيسية في هذه النهج اختيار التحولات المنقولة ومهمات التعلم المسبقة، والتي تعتمد على التوزيع الداخلي للبيانات. في هذه الورقة، نقترح إطارًا بسيطًا يستفيد من بيئة تعلم التحولات المنقولة لتعلم تمثيلات متعددة منقولة للمجموعة التدريبية بهدف تحسين الكشف عن العينات الخارجة عن التوزيع. ولحل مشكلة اختيار التحولات المنقولة والمهمات المسبقة المثلى، نقترح آلية بسيطة لاختيار التحولات تلقائيًا وضبط تأثيرها على تعلم التمثيل دون الحاجة إلى أي عينات خارجة عن التوزيع أثناء التدريب. وفي تجارب واسعة، نُظهر أن إطارنا البسيط يتفوق على نماذج الكشف عن OOD الرائدة على عدة مجموعات بيانات صور. كما نُحدد معايير لكاشف OOD مرغوب فيه في التطبيقات الواقعية، ونُظهر فعالية التقنية المقترحة مقارنةً بالتقنيات الرائدة في الكشف عن OOD.