DisCoPatch: الإحصائيات الدُفعة هي كل ما تحتاجه للكشف عن البيانات غير المعتادة، ولكن فقط إذا كنت تستطيع الوثوق بها

اكتشاف البيانات خارج التوزيع (OOD) يحمل أهمية كبيرة في العديد من التطبيقات. بينما تم دراسة مشكلات OOD الانتقائية والتنقل بين المجالات بشكل جيد، فإن هذا العمل يركز على تحولات المتغيرات المرتبطة (covariate shifts) - وهي تباينات دقيقة في توزيع البيانات يمكن أن تؤدي إلى تدهور أداء التعلم الآلي. نفترض أن اكتشاف هذه التباينات الدقيقة يمكن أن يحسن فهمنا لحدود البيانات داخل التوزيع، مما يؤدي في النهاية إلى تحسين اكتشاف OOD. في المصنفات المعادية التي يتم تدريبها باستخدام التطبيع بالدفعة (Batch Normalization - BN)، تتكون العينات الحقيقية والمعادية في مجالات متميزة ذات إحصاءات دفعة فريدة - وهي خاصية نستغلها لاكتشاف OOD. نقدم DisCoPatch، وهو إطار غير مشرف للماكينة المعاكسة المتغيرة المعادية (Adversarial Variational Autoencoder - VAE) يستفيد من هذه الآلية. أثناء الاستدلال، تتكون الدفعات من قطع صورية من نفس الصورة، مما يضمن توزيع بيانات متسقًا يسمح للنموذج بالاعتماد على إحصاءات الدفعة. يستخدم DisCoPatch الإخراجيات غير المثلى للـ VAE (المولدة والمعادة) كعينات سلبية لتدريب المصنف، مما يحسن قدرته على تحديد الحد الفاصل بين العينات داخل التوزيع وتحولات المتغيرات المرتبطة. بتشديد هذا الحد، حقق DisCoPatch نتائج رائدة في مقاييس اكتشاف OOD العامة. النموذج المقترح ليس فقط متفوقًا في اكتشاف تحولات المتغيرات المرتبطة، حيث حقق نسبة AUROC 95.5% على ImageNet-1K(-C)، بل يتفوق أيضًا على جميع الأساليب السابقة في مقاييس Near-OOD العامة (95.0%). مع حجم نموذج مدمج يصل إلى 25 ميجابايت، فإنه يحقق أداءً عالٍ في اكتشاف OOD بمعدل تأخير أقل بكثير من الأساليب الموجودة، مما يجعله حلًّا كفاءً وعمليًّا للمهام التطبيقية لاكتشاف OOD في العالم الحقيقي. سيتم جعل الكود متاحًا للجمهور.希望这个翻译符合您的要求。如果有任何需要调整的地方，请随时告知。