Varianza della distanza di Mahalanobis per il rilevamento OOD sotto collasso neurale
Un nuovo articolo su arXiv (2605.14413) propone l'uso della varianza della distanza di Mahalanobis per classe come punteggio di rilevamento out-of-distribution (OOD). Gli autori osservano che i campioni in-distribution presentano una struttura a minimo netto con alta varianza tra le classi, mentre i campioni OOD mostrano una varianza inferiore. Forniscono una base teorica attraverso la geometria del collasso neurale, dimostrando che, sotto ipotesi rilassate di compattezza intra-classe e separazione inter-classe, un'alta varianza è strutturalmente attesa per i campioni ID. Il metodo offre un approccio di rilevamento OOD teoricamente motivato.
Fatti principali
- L'articolo arXiv 2605.14413 propone il rilevamento OOD tramite varianza della distanza di Mahalanobis per classe.
- I campioni ID mostrano una struttura a minimo netto con alta varianza tra le classi.
- I campioni OOD mostrano una varianza inferiore tra le classi.
- L'analisi teorica basa l'osservazione sulla geometria del collasso neurale.
- Vengono utilizzate ipotesi rilassate di collasso neurale su compattezza intra-classe e separazione inter-classe.
- Un'alta varianza della distanza per classe è strutturalmente attesa per i campioni ID sotto queste ipotesi.
- Il metodo è motivato dall'osservazione empirica delle distribuzioni di distanza.
- Il rilevamento OOD è fondamentale per applicazioni critiche di reti neurali profonde.
Entità
Istituzioni
- arXiv