Dichte Detektion von außerhalb der Verteilung liegenden Daten durch robuster Lernen auf synthetischen negativen Daten

Standardmäßiges maschinelles Lernen ist nicht in der Lage, Eingaben zu verarbeiten, die nicht der Trainingsverteilung entstammen. Die resultierenden Modelle erzeugen häufig zuverlässig falsche Vorhersagen, die katastrophale Folgen nach sich ziehen können. Dieses Problem ist besonders herausfordernd im Kontext dichter Vorhersagen, da Eingabebilder nur teilweise anomale Muster enthalten können. Frühere Arbeiten haben die Erkennung dichter Ausreißer durch diskriminative Trainingsansätze bezüglich vorgefertigter negativer Datensätze adressiert. Allerdings sind reale negative Daten unwahrscheinlich, alle Modi der gesamten visuellen Welt abzudecken. Um dies zu beheben, erweitern wir diesen Ansatz durch die Generierung synthetischer negativer Patche entlang der Grenze des Inlier-Mannigfaltigkeitsrandes. Hierbei nutzen wir einen gemeinsam trainierten Normalisierungsfluss, der aufgrund eines abdeckungsorientierten Lernziels und der Fähigkeit zur Erzeugung von Proben in unterschiedlichen Auflösungen besonders geeignet ist. Anomalien werden gemäß einem konsistenten, informationstheoretisch fundierten Kriterium erkannt, das sowohl während des Trainings als auch während der Inferenz einheitlich angewendet werden kann. Die resultierenden Modelle erreichen die neue State-of-the-Art-Leistung auf Benchmarks zur Erkennung von Ausreißern in Straßenfahrzeug-Szenen und Fernerkundungsbildern, und zwar mit minimalen zusätzlichen Rechenkosten.