في عالم تعلم الآلة، يعتمد النجاح على القدرة في كشف البيانات غير المتوقعة (OOD)، وهو ما يمثل تحدياً كبيراً في التطبيق العملي. في خطوات جديدة نحو الاستفادة من تقنيات الكشف، تم تقديم Fold، نظام مبتكر يركز على استخدام الانحدار المنخفض للمساحة لضمان كفاءة الكشف.

تعتبر الطرق بعد الإعادة (post-hoc methods) من بين الاستراتيجيات الأكثر جذبا، حيث يمكن تطبيقها مباشرة على الشبكات المدربة مسبقاً، مما يلغي الحاجة إلى إعادة التدريب. ومع ذلك، عانت هذه الطرق من التكاليف الحسابية المرتفعة والاعتماد على افتراضات غير مؤكدة حول كيفية اختلاف انحدار سطح البيانات بين البيانات المتوقعة وغير المتوقعة.

في هذا الابتكار، تمكنا من إجراء التحقيق المنهجي الأول فوجدنا أن البيانات غير المتوقعة تُظهر انحدار هيسيان أكبر مقارنةً مع البيانات المتوقعة. هذا الفارق يزداد تحت التحولات التوزيعية الأكبر. استناداً إلى هذه الملاحظات، قدمنا Fold، كاشف OOD يعتمد على الميول المنخفضة، والذي يُحسن فصل البيانات المستحقة وغير المستحقة من خلال استخدام هيسيان الميزات وتطبيع جزئي للميزات.

كما تم تقديم AutoFold، تقنية ذاتية التوجيه للتكيف عبر مجموعة متنوعة من مجموعات البيانات، مما يسمح بتوليد عيّنات OOD مزيفة عبر قناع التسجيل ID، مما يسهم في المعايرة التلقائية دون الحاجة إلى بيانات خارجية. أظهرت التجارب على المعايير الخاصة بـ OOD أن Fold يتفوق على الأساليب السابقة، حيث زاد متوسط AUROC بنسبة 1.63% وخفض FPR95 بنسبة 2.30%، مع الحفاظ على كفاءة حسابية مشابهة للمرور الأمامي القياسي.

يدعمه تحليل نظري وتجارب واسعة، يُمثل Fold حلاً مبدئيًا وعمليًا لتركيب ناجح في العالم الحقيقي.