Detektion von Ausreißern außerhalb der Verteilung mittels impliziter Ausreißertransformation

Outlier Exposure (OE) ist bei der Erkennung von außerhalb der Verteilung liegenden (OOD) Daten äußerst wirksam, da durch die Feinabstimmung des Modells mit sogenannten Ersatz-OOD-Daten die Erkennungsfähigkeit verbessert wird. Allerdings weichen die Ersatzdaten typischerweise von den tatsächlich testenden OOD-Daten ab. Folglich kann die Leistung von OE bei unbekannten OOD-Daten beeinträchtigt werden. Um dieses Problem anzugehen, schlagen wir einen neuartigen OE-basierten Ansatz vor, der es dem Modell ermöglicht, auch bei bisher nicht gesehenen OOD-Situationen eine hohe Leistung zu erzielen – selbst bei vollkommen neuen OOD-Fällen. Dies führt zu einem Min-Max-Lernschema: Es wird nach solchen OOD-Daten gesucht, die zu den schlechtesten Vorhersagen führen, und das Modell lernt anschließend an diesen extremen OOD-Daten, um eine gleichmäßige Leistung bei der OOD-Erkennung zu gewährleisten. In unserer Implementierung werden diese schlechtesten OOD-Daten durch Transformation ursprünglicher Ersatzdaten generiert. Insbesondere werden die zugehörigen Transformationsfunktionen implizit gelernt, basierend auf unserem neuen Erkenntnis, dass Modellstörungen zu Datentransformationen führen. Unser Ansatz bietet eine effiziente Methode zur Synthese von OOD-Daten, die neben den ursprünglichen Ersatz-OOD-Daten zusätzliche Vorteile für das Erkennungsmodell bringen. Wir führen umfangreiche Experimente unter verschiedenen OOD-Erkennungsszenarien durch und belegen die Überlegenheit unseres Verfahrens gegenüber state-of-the-art-Methoden.