إطلاق القناع: استكشاف القدرة الداخلية على كشف التوزيعات غير المتجانسة

كشف الكشف عن التوزيعات غير المُوزعة (OOD) عن جزء لا يتجزأ من الذكاء الاصطناعي الآمن عند نشر نماذج التعلم الآلي في التطبيقات الواقعية. اعتمد النماذج السابقة إما على تحسين دوال التقييم أو على استغلال معرفة العينات الشاذة لتمكين النماذج من القدرة على كشف التوزيعات غير المُوزعة. ومع ذلك، لم يُولي سوى عدد قليل منها اهتمامًا بالقدرة الطبيعية الداخلية للكشف عن التوزيعات غير المُوزعة في النموذج المعطى. في هذه الدراسة، نكتشف بشكل عام وجود مرحلة وسطى في النموذج المدرب على بيانات داخل التوزيع (ID) تمتلك أداءً أفضل في كشف التوزيعات غير المُوزعة مقارنةً بمرحلته النهائية في مختلف الإعدادات، ونحدد لاحقًا عنصرًا حاسمًا على مستوى البيانات يكون "التعلم مع العينات غير المعتادة". استنادًا إلى هذه الرؤى، نقترح طريقة جديدة تُسمى "Unleashing Mask"، والتي تهدف إلى استعادة القدرة التمييزية للنموذج المدرب جيدًا على بيانات داخل التوزيع (ID) على الكشف عن التوزيعات غير المُوزعة. تعتمد طريقة العمل على استخدام قناع (Mask) لتحديد العينات غير المعتادة التي تم حفظها في الذاكرة، ثم إعادة تدريب النموذج أو تقليله باستخدام هذا القناع لمسح هذه العينات. أظهرت التجارب الواسعة والتحليلات فعالية طريقة العمل المقترحة. يمكن الوصول إلى الكود من خلال: https://github.com/tmlr-group/Unleashing-Mask.