OOD検出のためのプロトタイプ生成と淘汰を実現する方法

要約: Out-of-Distribution (OOD) 検出は、機械学習モデルを安全に展開するために重要であり、プロトタイプに基づく学習法はOOD検出を達成するための主流戦略の1つです。既存のプロトタイプベースの学習法は通常、固定数のプロトタイプに依存します。この静的な仮定は、さまざまなカテゴリ間の固有の複雑さの違いに適応できません。現在、データの複雑さに基づいてプロトタイプの数を適応的に調整できるメカニズムはまだ欠けています。生物学における細胞の出生と死の過程に触発され、データの複雑さに基づいてプロトタイプの数を適応的に調整する新しい手法PID（Prototype Birth and Death）を提案します。この手法は、訓練過程で2つの動的メカニズム、プロトタイプの出生とプロトタイプの死に依存します。出生メカニズムは、既存のプロトタイプの過負荷レベルを特定することによって、表現が不十分なデータ領域に新しいプロトタイプを生成し、クラス内のサブ構造を綿密に捉えます。反対に、死のメカニズムは、識別性を評価することによって曖昧なクラス境界を持つプロトタイプを剪定し、意思決定境界を強化します。出生と死を通じて、データの複雑さに応じてプロトタイプの数を動的に調整でき、よりコンパクトでよりよく分離されたIn-Distribution (ID) 埋め込みの学習につながり、OODサンプルの検出能力を著しく高めます。実験では、私たちの動的手法PIDがCIFAR-100などのベンチマークで既存の手法を大幅に上回り、最先端（SOTA）性能を達成していることが示され、特にFPR95指標で顕著です。