التركيب غير المعلمي للقيم الشاذة

كشف البيانات غير الموزعة (OOD) يُعد أمرًا ضروريًا لضمان نشر نماذج التعلم الآلي في البيئات الحقيقية بشكل آمن. إحدى التحديات الأساسية تكمن في غياب إشارات الإشراف من البيانات غير المعروفة، مما يؤدي إلى إنتاج النماذج تنبؤات مفرطة في الثقة على البيانات OOD. وقد نمذجت الدراسات الحديثة مساحة الميزات على أنها توزيع جاوسي معامل (Parametric Gaussian distribution)، وهي افتراض قوي ومحكم قد لا يتحقق في الواقع. في هذا البحث، نقترح إطارًا جديدًا يُسمى "توليد الخروج غير المعلمي" (Non-Parametric Outlier Synthesis، NPOS)، والذي يُولّد بيانات تدريب اصطناعية OOD ويساعد في تعلّم حد قرار موثوق بين البيانات المعروفة (ID) والبيانات غير المعروفة (OOD). ومن المهم أن نشير إلى أن منهجية التوليد المقترحة لا تفرض أي افتراضات توزيعية على تضمينات البيانات المعروفة (ID)، مما يمنحها مرونة وشمولية عالية. ونُظهر أن منهجية التوليد هذه يمكن تفسيرها رياضيًا كإطار عينة رفض (rejection sampling). وأظهرت التجارب الواسعة أداءً متفوقًا لـ NPOS في كشف OOD، متفوقة على المنافسين المتنافسين بمقدار كبير. ويُتاح الكود مفتوح المصدر عبر الرابط: https://github.com/deeplearning-wisc/npos.