Exposition aux valeurs aberrantes avec contrôle de la confiance pour la détection des distributions hors échantillon

Les réseaux neuronaux profonds ont connu un grand succès dans les tâches de classification au cours des dernières années. Cependant, un problème majeur sur la voie vers l'intelligence artificielle est l'incapacité des réseaux neuronaux à détecter avec précision des échantillons provenant de nouvelles distributions de classes. Par conséquent, la plupart des algorithmes de classification existants supposent que toutes les classes sont connues avant l'étape d'entraînement. Dans ce travail, nous proposons une méthodologie pour entraîner un réseau neuronal qui lui permet de détecter efficacement des exemples hors distribution (OOD) sans compromettre considérablement sa précision de classification sur les échantillons de test issus des classes connues. Nous introduisons une nouvelle fonction de perte qui donne naissance à une méthode innovante, l'Exposition aux Éléments Atypiques avec Contrôle de Confiance (OECC), qui obtient des résultats supérieurs en détection OOD avec OE, tant pour les tâches de classification d'images que pour celles de texte, sans nécessiter l'accès à des échantillons OOD. De plus, nous montrons expérimentalement que la combinaison d'OECC avec des méthodes avancées de détection OOD après l'entraînement, telles que le Détecteur Mahalanobis (MD) et les Méthodes des Matrices Gramiennes (GM), améliore encore davantage leurs performances dans la tâche de détection OOD, démontrant ainsi le potentiel d'une combinaison de méthodes d'entraînement et post-entraînement pour la détection OOD.