分布外検出の性能向上に向けた典型特徴の活用

分布外（Out-of-distribution, OOD）検出は、実世界のシナリオにおける深層ニューラルネットワークの信頼性および安全性を確保する上で重要なタスクである。従来のOOD検出手法の多くは、OODスコアの設計や多様な異常例を導入してモデルの再学習を行うことに焦点を当てているが、本研究では典型性（typicality）の観点からOOD検出における障壁要因に着目し、深層モデルの特徴量の高確率領域を特徴量の典型集合（typical set）と捉える。本手法では、特徴量をその典型集合に補正し、補正後の典型特徴量に基づいてOODスコアを計算することで、信頼性の高い不確実性推定を実現する。特徴量の補正は、さまざまなOODスコアと組み合わせて利用可能な「プラグアンドプレイ」モジュールとして実装可能である。本手法の有効性は、一般的に用いられるベンチマーク（CIFAR）およびラベル空間が大きく、より困難な高解像度ベンチマーク（ImageNet）の両方で評価された。特に、ImageNetベンチマークにおける平均FPR95（False Positive Rate at 95% True Positive Rate）において、最先端手法を最大5.11%上回る性能を達成した。