Detecção Fora de Distribuição ao Reconquistar Pistas Perdidas (Reimpressão do Resumo)

A detecção fora de distribuição (OOD) identifica amostras na fase de teste que são retiradas de distribuições distintas das amostras dentro da distribuição de treinamento (ID) para uma rede treinada. De acordo com o gargalo de informação, redes que classificam dados tabulares tendem a extrair informações de rotulagem de características com fortes associações aos rótulos verdadeiros, descartando pistas de rotulagem menos relevantes. Esse comportamento leva a um dilema em que amostras OOD com informações limitadas de rotulagem recebem previsões de alta confiança, tornando a rede incapaz de distinguir entre amostras ID e OOD. Portanto, explorar mais informações de rotulagem das amostras ID, que dificultam a obtenção de previsões de alta confiança para uma amostra OOD, pode abordar essa questão de excesso de confiança em dados tabulares. Assim, propomos uma nova cadeia de transformadores (TC), que compreende uma sequência de transformadores dependentes que recuperam iterativamente informações de rotulagem descartadas e integram todas as informações de rotulagem para melhorar a detecção OOD. O limite de generalização revela teoricamente que a TC pode equilibrar a generalização ID e as capacidades de detecção OOD. Resultados experimentais demonstram que a TC supera significativamente métodos de ponta para detecção OOD em dados tabulares.