Rechazo a través de Ratios de Densidad de Aprendizaje

La clasificación con rechazo surge como un paradigma de aprendizaje que permite a los modelos abstenerse de realizar predicciones. El enfoque predominante es alterar la tubería de aprendizaje supervisado al aumentar las funciones de pérdida típicas, permitiendo que el rechazo del modelo incurra en una pérdida menor que una predicción incorrecta. En cambio, proponemos una perspectiva distributiva diferente, donde buscamos encontrar una distribución de datos idealizada que maximice el rendimiento de un modelo preentrenado. Esto se puede formalizar a través de la optimización del riesgo de una pérdida con un término de regularización de -divergencia. A través de esta distribución idealizada, se puede tomar una decisión de rechazo utilizando el ratio de densidad entre esta distribución y la distribución de datos. Nos enfocamos en el escenario donde nuestras -divergencias son especificadas por la familia de -divergencia. Nuestro marco se prueba empíricamente sobre conjuntos de datos limpios y ruidosos.