Detecção Não Supervisionada de Dados Fora da Distribuição pela Máxima Discrepância do Classificador

Uma vez que modelos de aprendizado profundo têm sido implementados em muitas aplicações comerciais, é importante detectar corretamente entradas fora da distribuição (OOD) para manter o desempenho dos modelos, garantir a qualidade dos dados coletados e prevenir que as aplicações sejam utilizadas para propósitos não intencionais. Neste trabalho, propomos uma rede neural convolucional profunda (CNN) de duas cabeças e maximizar a discrepância entre os dois classificadores para detectar entradas OOD. Treinamos uma CNN de duas cabeças composta por um extrator de características comum e dois classificadores que têm diferentes limites de decisão, mas podem classificar corretamente amostras em distribuição (ID). Diferente de métodos anteriores, também utilizamos dados não rotulados para treinamento não supervisionado e usamos esses dados não rotulados para maximizar a discrepância entre os limites de decisão de dois classificadores para empurrar amostras OOD para fora da variedade das amostras em distribuição (ID), o que nos permite detectar amostras OOD que estão longe do suporte das amostras ID. No geral, nossa abordagem supera significativamente outros métodos de ponta em vários benchmarks de detecção OOD e em dois casos de simulação do mundo real.