أهمية التدرجات في كشف الانزياح التوزيعي في البيئات الطبيعية

أصبح الكشف عن البيانات الخارجة عن التوزيع (OOD) عنصراً حاسماً في ضمان النشر الآمن للنماذج القائمة على التعلم الآلي في العالم الحقيقي. تعتمد الطرق الحالية للكشف عن OOD بشكل رئيسي على الفضاء الناتج أو الفضاء المميزات لاستخلاص درجات OOD، بينما تتجاهل إلى حد كبير المعلومات المستمدة من الفضاء التدرج. في هذا البحث، نقدم GradNorm، وهي طريقة بسيطة وفعّالة للكشف عن المدخلات الخارجة عن التوزيع من خلال استغلال المعلومات المستخرجة من الفضاء التدرجي. تعتمد GradNorm مباشرة على معيار المتجه للدرجات، التي تُعاد احتسابها من خلال تباين كولبوم-ليبلر (KL divergence) بين إخراج الدالة السويفت (softmax) والتوزيع الاحتمالي الموحد. تكمن الفكرة الأساسية في أن مقدار التدرج يكون أعلى بالنسبة للبيانات الداخلة ضمن التوزيع (ID) مقارنةً بالبيانات الخارجة عنه (OOD)، مما يجعله معلومة مفيدة للكشف عن OOD. تُظهر GradNorm أداءً متفوّقاً، حيث تقلل من متوسط معدل الخطأ من النوع الأول عند نسبة الحساسية 95% (FPR95) بنسبة تصل إلى 16.33% مقارنةً بأفضل طريقة سابقة.