Amélioration de la détection hors distribution grâce à plusieurs modèles pré-entraînés

La détection des données hors distribution (OOD), c’est-à-dire l’identification de l’entrée provenant d’une distribution inédite différente de celle utilisée pour l’entraînement, constitue une tâche cruciale pour le déploiement sûr des systèmes d’apprentissage automatique dans un environnement ouvert. Récemment, les méthodes de détection post-hoc exploitant des modèles pré-entraînés ont montré des performances prometteuses et peuvent être étendues à des problèmes à grande échelle. Cette avancée soulève une question naturelle : pouvons-nous tirer parti de la diversité de plusieurs modèles pré-entraînés afin d’améliorer les performances des méthodes de détection post-hoc ? Dans ce travail, nous proposons une méthode d’amélioration de la détection fondée sur l’ensemblage des décisions de détection issues d’une « zoo » de modèles pré-entraînés. Notre approche utilise la valeur-p au lieu du seuil dur couramment employé, et exploite un cadre fondamental de test d’hypothèses multiples afin de contrôler le taux de vrais positifs pour les données in-distribution (ID). Nous mettons l’accent sur l’utilisation de ces « zoos » de modèles et fournissons des comparaisons empiriques systématiques avec les méthodes de pointe actuelles sur diverses benchmarks de détection OOD. Le schéma d’ensemblage proposé montre une amélioration cohérente par rapport aux détecteurs basés sur un seul modèle, et surpasse significativement les méthodes concurrentes. Notre méthode améliore considérablement les performances relatives de 65,40 % et 26,96 % respectivement sur les benchmarks CIFAR10 et ImageNet.