合成ネガティブデータにおけるロバスト学習による高密度な分布外検出

標準的な機械学習手法は、訓練分布に属さない入力を扱うことができない。その結果、モデルはしばしば誤った予測を高信頼度で行い、深刻な結果を招く可能性がある。特に、入力画像が部分的に異常である可能性がある密度の高い予測（dense prediction）の文脈では、この問題はより顕著となる。これまでの研究では、既存の負例データセットを用いた判別的訓練によって、密度の高い分布外検出を試みた。しかし、実際の負例データは視覚世界のすべてのモードをカバーするとは限らない。そこで本研究では、正常データ多様体（inlier manifold）の境界に沿って合成された負例パッチを生成することで、このアプローチを拡張する。我々は、カバレッジ指向の学習目的と、異なる解像度でのサンプル生成が可能な共同訓練された正規化フロー（normalizing flow）を活用する。異常検出は、学習段階および推論段階において一貫して適用可能な情報理論的基準に基づいて行う。その結果、道路走行シーンおよびリモートセンシング画像における分布外検出ベンチマークにおいて、計算コストの増加を最小限に抑えつつ、新たな最先端性能を達成した。