ترجمه فارسی مقاله طبقه‌بندی‌کننده شما می‌تواند مخفیانه یک آشکارساز OOD مبتنی بر احتمال باشد

چکیده

The ability to detect out-of-distribution (OOD) inputs is critical to guarantee the reliability of classification models deployed in an open environment. A fundamental challenge in OOD detection is that a discriminative classifier is typically trained to estimate the posterior probability p(y|z) for class y given an input z, but lacks the explicit likelihood estimation of p(z) ideally needed for OOD detection. While numerous OOD scoring functions have been proposed for classification models, these estimate scores are often heuristic-driven and cannot be rigorously interpreted as likelihood. To bridge the gap, we propose Intrinsic Likelihood (INK), which offers rigorous likelihood interpretation to modern discriminative-based classifiers. Specifically, our proposed INK score operates on the constrained latent embeddings of a discriminative classifier, which are modeled as a mixture of hyperspherical embeddings with constant norm. We draw a novel connection between the hyperspherical distribution and the intrinsic likelihood, which can be effectively optimized in modern neural networks. Extensive experiments on the OpenOOD benchmark empirically demonstrate that INK establishes a new state-of-the-art in a variety of OOD detection setups, including both far-OOD and near-OOD. Code is available at https://github.com/deeplearning-wisc/ink.

چکیده به فارسی (ترجمه ماشینی)

توانایی تشخیص ورودی های خارج از توزیع (OOD) برای تضمین قابلیت اطمینان مدل های طبقه بندی مستقر در یک محیط باز بسیار مهم است.یک چالش اساسی در تشخیص OOD این است که یک طبقه بندی کننده تبعیض آمیز به طور معمول برای تخمین احتمال خلفی P (y | z) برای کلاس Y با توجه به ورودی Z آموزش داده می شود ، اما فاقد برآورد احتمال صریح P (z) است که به طور ایده آل برای تشخیص OOD مورد نیاز است.در حالی که بسیاری از کارکردهای امتیاز دهی OOD برای مدلهای طبقه بندی ارائه شده است ، این نمرات تخمین اغلب اکتشافی محور هستند و نمی توان به طور جدی به عنوان احتمال تعبیر کرد.برای ایجاد شکاف ، ما احتمال ذاتی (جوهر) را پیشنهاد می کنیم ، که تفسیر دقیق احتمال را برای طبقه بندی کننده های مبتنی بر تبعیض آمیز مدرن ارائه می دهد.به طور خاص ، نمره جوهر پیشنهادی ما بر روی تعبیه های نهفته محدود از یک طبقه بندی کننده تبعیض آمیز عمل می کند ، که به عنوان ترکیبی از تعبیه های هیپرسفریک با هنجار ثابت مدل می شوند.ما یک ارتباط جدید بین توزیع hyperspherical و احتمال ذاتی ایجاد می کنیم ، که می تواند به طور مؤثر در شبکه های عصبی مدرن بهینه شود.آزمایش های گسترده ای در مورد معیار Openood به صورت تجربی نشان می دهد که جوهر در انواع مختلفی از مجموعه های تشخیص OOD ، از جمله هر دو دور دور و دور ، یک پیشرفته جدید را ایجاد می کند.کد در https://github.com/deeplearning-wisc/ink در دسترس است.