Combine e Conquiste: Uma Meta-Análise sobre Mudança de Dados e Detecção Fora da Distribuição

Este artigo apresenta uma abordagem universal para combinar de forma contínua os escores de detecção fora da distribuição (OOD). Esses escores abrangem uma ampla gama de técnicas que aproveitam a autoconfiança de modelos de aprendizado profundo e o comportamento anômalo de características no espaço latente. Não é surpreendente que combinar uma população tão variada usando estatísticas simples se prove inadequado. Para superar esse desafio, propomos uma normalização de quantis para mapear esses escores em p-valores, enquadrando efetivamente o problema em um teste de hipótese multivariado. Em seguida, combinamos esses testes usando ferramentas de meta-análise estabelecidas, resultando em um detector mais eficaz com fronteiras de decisão consolidadas. Além disso, criamos um critério interpretável probabilístico ao mapear as estatísticas finais em uma distribuição com parâmetros conhecidos. Através de investigação empírica, exploramos diferentes tipos de mudanças, cada uma exercendo graus variados de impacto nos dados. Nossos resultados demonstram que nossa abordagem melhora significativamente a robustez geral e o desempenho em diversos cenários de detecção OOD. Notavelmente, nossa estrutura é facilmente extensível para desenvolvimentos futuros em escores de detecção e é a primeira a combinar fronteiras de decisão nesse contexto. O código e os artefatos associados a este trabalho estão disponíveis publicamente https://github.com/edadaltocg/detectors.