信頼制御付き外れ値露出による分布外検出

近年、深層ニューラルネットワークは分類タスクにおいて大きな成功を収めています。しかし、人工知能への道のりにおける主要な問題の一つは、ニューラルネットワークが未知のクラス分布からサンプルを正確に検出できないことです。そのため、既存の大多数の分類アルゴリズムは、トレーニング段階前にすべてのクラスが既知であるという前提で設計されています。本研究では、既知のクラスからのテストサンプルに対する分類精度を大幅に損なうことなく、効率的に分布外（Out-of-Distribution: OOD）例を検出できるニューラルネットワークの学習方法を提案します。私たちは新しい損失関数を提案し、これにより新しい手法「信頼度制御付き外れ値曝露（Outlier Exposure with Confidence Control: OECC）」が生まれました。この手法は画像分類とテキスト分類タスクにおいてOOD検出性能を向上させます。さらに、実験結果からOECCと最先端のトレーニング後のOOD検出手法（マハラノビス距離検出器（Mahalanobis Detector: MD）、グラミアン行列（Gramian Matrices: GM）などの手法）を組み合わせることで、OOD検出タスクでの性能がさらに向上することを示しました。これらの結果は、学習段階と学習後の手法を組み合わせることによるOOD検出の潜在的可能性を示唆しています。