النماذج الهجينة العميقة للكشف عن التوزيعات غير الموزونة

نُقدّم طريقةً مُبنية على مبادئ علمية وعملية للكشف عن البيانات الخارجة عن التوزيع (OoD) باستخدام النماذج الهجينة العميقة (DHMs)، والتي تُحدّد التوزيع المشترك ( p(x, y) ) للسمات والعلامات من خلال عملية واحدة فقط في الاتجاه الأمامي. من خلال تحليل التوزيع المشترك ( p(x, y) ) إلى ثلاث مصادر للغموض، نُظهر أن منهجنا يتمتع القدرة على تحديد العينات التي تختلف دلاليًا عن بيانات التدريب. ولضمان التوسع الحسابي، نُضيف خطوة تطبيع الأوزان أثناء التدريب، مما يمكّننا من دمج هياكل شبكات عصبية عميقة حديثة (SoTA) لتقريب وتفسير توزيعات احتمالية معبّرة بشكل تقريبي. يوفّر هذا المنهج إطارًا فعّالًا وعامًا ومرنًا لتقدير عدم اليقين التنبؤي، مع نتائج واعدة ودعم نظري قوي. إلى حد علمنا، فإن هذه الدراسة تمثل أول عمل يحقق نسبة 100% في مهام الكشف عن البيانات الخارجة عن التوزيع على كلا نوعي مجموعات البيانات البصرية واللغوية، وخاصة على أزواج مجموعات بيانات صعبة بشكل خاص مثل CIFAR-10 مقابل SVHN وCIFAR-100 مقابل CIFAR-10. تمثل هذه الدراسة خطوة مهمة نحو تمكين الشبكات العصبية العميقة من الاستخدام الفعلي في التطبيقات الحساسة للسلامة في البيئات الواقعية.