Difetti della metrica di vacuità nell'apprendimento profondo evidenziale per il rilevamento OOD

Un nuovo articolo su arXiv (2605.06382) rivela che la vacuità, o Massa di Incertezza (UM), una metrica comune per il rilevamento Out-of-Distribution (OOD) nell'Apprendimento Profondo Evidenziale (EDL), è fondamentalmente difettosa a causa della sua sensibilità al numero di classi (K). UM è calcolata dividendo K per la forza totale di credenza (S), derivata dai parametri di Dirichlet. Gli autori sostengono che non esiste una relazione lineare tra K e S quando entrambi aumentano, perché EDL sopprime le evidenze assegnate in modo errato. Ciò causa discrepanze significative quando si confrontano i risultati In Distribution (ID) e OOD se K differisce tra loro. Dimostrazioni empiriche mostrano che AUROC e AUPR possono variare sostanzialmente quando la cardinalità delle classi differisce di solo 1, con AUROC che differisce fino a [valore non specificato nella fonte]. Lo studio sottolinea che K_ID e K_OOD devono essere uguali per confronti validi, una condizione spesso non soddisfatta nella pratica.