要約
オープンワールド環境に展開された機械学習モデルにおいて、分布外（Out-of-Distribution, OOD）サンプルの検出は極めて重要である。分類器に基づくスコアは、細粒度な検出能力を備えるため、OOD検出の標準的手法として広く用いられている。しかし、これらのスコアはしばしば過信（overconfidence）の問題を抱え、分布内（in-distribution）領域から遠く離れたOODサンプルを誤って分類してしまうことがある。この課題に対処するために、本研究ではデータ多様体の境界幾何構造を尊重するよう分類器スコアを誘導する手法「Nearest Neighbor Guidance（NNGuide）」を提案する。NNGuideは、分類器スコアの細粒度検出能力を保持しつつ、OODサンプルの過信を低減する。本研究では、自然な分布シフトが発生する状況を含む多様な設定下で、ImageNet OOD検出ベンチマークを用いた広範な実験を実施した。その結果、NNGuideはベースとなる検出スコアに対して顕著な性能向上を実現し、AUROC、FPR95、AUPRのすべての指標において最先端の結果を達成した。実装コードは以下のURLから公開されている：\url{https://github.com/roomo7time/nnguide}。