Prototype Fusion：訓練不要のマルチレイヤーによるOOD検出手法

要旨: 深層学習モデルは、信頼性の高い分布外（OOD）検出が不可欠である安全性が重要なアプリケーションに、ますます導入されています。既存の手法の多くは、ニューラルネットワークの直前（penultimate）層の活性値に主に依存し、それらが最も情報量の多い分布内（ID）の表現を含んでいると仮定しています。本研究ではこの仮定を見直し、中間層がOOD検出のために同様に豊富で識別力のある情報をエンコードしていることを示します。これに基づき、複数層にまたがる内部表現を活用する、単純ながらも効果的なモデル非依存（model-agnostic）アプローチを提案します。提案手法は、連続する畳み込みブロックから特徴を集約し、クラスごとの平均埋め込み（mean embeddings）を計算したうえで、L_2正規化を適用し、クラスの意味論を捉えたコンパクトなIDプロトタイプを形成します。推論時には、テスト特徴とこれらのプロトタイプ間の余弦類似度をOODスコアとして用います--IDサンプルは少なくとも1つのプロトタイプに対して強い親和性を示すのに対し、OODサンプルは一様に遠いままです。多様なアーキテクチャにわたる最先端のOODベンチマークでの大規模な実験により、本手法が頑健でアーキテクチャに依存しない性能と、画像分類における強い汎化を実現することが示されます。特に、AUROCを最大4.41%向上させ、FPRを13.58%削減します。これは、OOD検出において未だ十分に探索されていない信号である「多層の特徴集約」が強力であることを示すとともに、直前層に基づく手法の優位性に挑戦する結果です。コードは以下で公開しています: https://github.com/sgchr273/cosine-layers.git。