LINe: كشف التوزيع غير المُوزَّع من خلال استغلال الخلايا العصبية المهمة

من المهم قياس عدم اليقين في عينات المدخلات، خاصة في المجالات الحيوية مثل القيادة الذاتية والرعاية الصحية، حيث يمكن أن تؤدي التنبؤات الخاطئة بشأن البيانات الخارجة عن التوزيع (OOD) إلى مشكلات كبيرة. ينبع مشكلة كشف البيانات الخارجة عن التوزيع جوهريًا من عدم قدرة النموذج على التعبير عن ما لا يدركه. وتم استكشاف الطرق المُطبقة لاحقًا للكشف عن البيانات الخارجة عن التوزيع على نطاق واسع، لأنها لا تتطلب عملية إعادة تدريب إضافية التي قد تُضعف أداء النموذج وترفع تكاليف التدريب. في هذه الدراسة، من منظور الأعصاب في الطبقات العميقة للنموذج التي تمثل الميزات عالية المستوى، نقدم جانبًا جديدًا لتحليل الفرق في مخرجات النموذج بين البيانات ضمن التوزيع والبيانات الخارجة عن التوزيع. ونُقدِّم طريقة جديدة تُسمى "استغلال الأعصاب المهمة" (LINe) للكشف عن البيانات الخارجة عن التوزيع بطريقة ما بعد التدريب.تقلل طريقة قص القيم وفقًا لقيمة شابلي من تأثير المخرجات الضوضائية من خلال اختيار الأعصاب ذات المساهمة العالية فقط للتنبؤ بفئات معينة من بيانات المدخلات، وتمويه باقي الأعصاب. كما يُعد تقليم التنشيط (activation clipping) حلًا يُثبّت جميع القيم التي تتجاوز حدًا معينًا إلى نفس القيمة، مما يسمح لـ LINe بمعالجة جميع الميزات المحددة للصفات بشكل متساوٍ، ويُركّز فقط على الفرق بين عدد الميزات المُنشطة بين البيانات ضمن التوزيع والبيانات الخارجة عن التوزيع. وقد أثبتت التجارب الشاملة فعالية الطريقة المقترحة، حيث تفوقت على أحدث الطرق المُطبقة لاحقًا للكشف عن البيانات الخارجة عن التوزيع على مجموعات بيانات CIFAR-10 وCIFAR-100 وImageNet.