Apprentissage de transformation décalée pour la détection de distributions hors domaine

La détection des échantillons hors distribution (OOD) joue un rôle fondamental dans les applications à monde ouvert et critiques pour la sécurité, telles que les systèmes autonomes et la santé. Récemment, les techniques d'apprentissage de représentations auto-supervisées (via l'apprentissage contrastif et l'apprentissage prétexte) ont montré leur efficacité pour améliorer la détection OOD. Toutefois, un problème majeur de ces approches réside dans le choix des transformations de décalage et des tâches prétexte, qui dépendent de la distribution des données d'entrée. Dans cet article, nous proposons un cadre simple qui exploite un apprentissage de transformations de décalage afin d'apprendre plusieurs représentations décalées de l'ensemble d'entraînement, visant à améliorer la détection OOD. Pour résoudre le problème du choix optimal des transformations de décalage et des tâches prétexte, nous introduisons un mécanisme simple permettant de sélectionner automatiquement ces transformations et de réguler leur impact sur l'apprentissage des représentations, sans nécessiter d'échantillons OOD durant l'entraînement. Dans des expériences étendues, nous démontrons que notre cadre simple surpasser les modèles d'état de l'art en détection OOD sur plusieurs jeux de données d'images. Nous caractérisons également les critères d'un détecteur OOD souhaitable pour les applications réelles et illustrons l'efficacité de notre technique proposée par rapport aux méthodes d'état de l'art en détection OOD.