Détection non supervisée des données hors distribution par la dissociation maximale des classificateurs

Depuis que les modèles d'apprentissage profond ont été intégrés dans de nombreuses applications commerciales, il est important de détecter correctement les entrées hors distribution (OOD) afin de maintenir la performance des modèles, d'assurer la qualité des données collectées et d'éviter que les applications ne soient utilisées à des fins autres que celles prévues. Dans ce travail, nous proposons un réseau de neurones convolutionnels (CNN) à deux têtes et maximisons la dissociation entre les deux classificateurs pour détecter les entrées OOD. Nous formons un CNN à deux têtes composé d'un extracteur de caractéristiques commun et de deux classificateurs ayant des frontières de décision différentes mais capables de classer correctement les échantillons en distribution (ID). Contrairement aux méthodes précédentes, nous utilisons également des données non étiquetées pour un entraînement non supervisé et nous utilisons ces données non étiquetées pour maximiser la dissociation entre les frontières de décision des deux classificateurs afin de repousser les échantillons OOD en dehors de la variété des échantillons en distribution (ID), ce qui nous permet de détecter des échantillons OOD qui sont éloignés du support des échantillons ID. Dans l'ensemble, notre approche surpasse considérablement d'autres méthodes à la pointe de la technologie sur plusieurs bancs d'essai de détection OOD et deux cas de simulation du monde réel.