単純かつ効率的な外れ値（OOD）検出のためのバウンディングボックス異常スコアリング

Abstract

外部分布（OOD）検出は、深いニューラルネットワークによる信頼性の低い予測を減らすために、入力が学習分布と異なることを特定することを目的とする。事後的な特徴空間アプローチの中でも、OOD検出は一般に、事前学習済みネットワークの表現空間において、in-distribution（学習内）サポートを近似することで行われる。既存手法はしばしば、マハラノビスに基づくスコアのようなコンパクトなパラメトリックモデルと、k近傍法のような、より柔軟だが参照（ベース）の方法との間のトレードオフを反映している。バウンディングボックス抽象化は、隠れアクティベーションのコンパクトな軸揃え要約によってin-distributionサポートを表現することで、魅力的な中間的観点を提供する。本論文では、バウンディングボックス抽象化を活用する事後的OOD検出手法であるBounding Box Anomaly Scoring（BBAS）を提案する。BBASは、区間逸脱に基づく段階的な異常スコア、畳み込み層に適応した変数の監視、より豊かで多層の表現のためのクラスタリングとボックス構築の分離によって組み合わされる。画像分類のベンチマークに関する実験では、BBASが、バウンディングボックス手法の単純さ、コンパクトさ、および更新可能性を維持しつつ、in-distributionサンプルとout-of-distributionサンプルの間で頑健な分離を実現することが示される。