في عالم التعلم الآلي، تُعتبر قدرة الأنظمة على الكشف عن العينات غير المألوفة (Out-of-Distribution، OOD) تحديًا كبيرًا. وقد حظي هذا الموضوع باهتمام كبير من الباحثين في السنين الأخيرة، حيث سعى العديد منهم إلى تطوير خوارزميات تقوم بتحليل العينات بناءً على تقديرات دقيقة لدرجات تميزها. لكن، بالرغم من الجهود المبذولة، فإن هذه التقديرات قد لا تعكس دائمًا الكثافة الحقيقية للبيانات أو قد تفرض قيودًا غير عملية.

لإيجاد حل لهذه المشكلة، تم اقتراح إطار نظري جديد يُعرف باسم ConjNorm، والذي يستند إلى اقتران الخسارة (Bregman divergence). يوسع هذا الإطار من اعتبارات التوزيع ليشمل عائلة من التوزيعات الأسية. باستخدام هذه الفكرة، يتم تصميم وظيفة الكثافة كمهمة للبحث عن العامل المثالي $p$ وفقًا لمجموعة البيانات المدروسة.

ومع أن تحديات حسابية تواجه عملية التطبيع، تم تطوير مُقدّر غير منحاز وسهل التحليل للدالة الجزئية باستخدام تقنية أخذ العينات الهامة المستندة إلى مونت كارلو.

تُظهر الاختبارات الواسعة التي أجريت على معايير الكشف عن العينات الغير مألوفة أن تقنية ConjNorm قد حققت نتائج مذهلة، متفوقة على أحدث الأساليب المستخدمة الآن بنسبة تصل إلى 13.25٪ و28.19٪ على CIFAR-100 وImageNet-1K على التوالي.

ما رأيكم في هذه التقنية الثورية؟ هل ترى أنها ستحل مشكلة الكشف عن العينات الغير مألوفة في التعلم الآلي؟ شاركونا تجاربكم وآرائكم في التعليقات!