Amélioration de la détection des données hors distribution grâce aux caractéristiques typiques

La détection des données hors distribution (OOD) constitue une tâche cruciale pour assurer la fiabilité et la sécurité des réseaux de neurones profonds dans des scénarios du monde réel. Contrairement à la plupart des méthodes précédentes, qui se concentrent sur la conception de scores OOD ou sur l’introduction d’exemples d’outliers diversifiés afin de re-entraîner le modèle, nous examinons les facteurs d’obstacle dans la détection OOD du point de vue de la typicité, en considérant la région à haute probabilité des caractéristiques du modèle profond comme l’ensemble typique des caractéristiques. Nous proposons de corriger les caractéristiques afin de les ramener à cet ensemble typique, puis de calculer le score OOD à partir des caractéristiques typiques, afin d’obtenir une estimation fiable de l’incertitude. Cette correction des caractéristiques peut être mise en œuvre comme un module « plug-and-play » compatible avec divers scores OOD. Nous évaluons l’efficacité de notre méthode sur des benchmarks couramment utilisés (CIFAR) ainsi que sur un benchmark plus exigeant à haute résolution et à grand espace de classes (ImageNet). Notamment, notre approche dépasse les méthodes de pointe de jusqu’à 5,11 % en moyenne en taux de faux positifs au seuil de 95 % (FPR95) sur le benchmark ImageNet.