تُعتبر عملية الكشف عن البيانات الخارجة عن التوزيع (OOD) إحدى العناصر الأساسية لضمان موثوقية الشبكات العصبية العميقة في التطبيقات الحرجة التي تتطلب أمانًا عاليًا. هذا التقرير يستعرض تقنية جديدة مبتكرة تحت اسم MahaVar، التي تُحدث ثورة في كيفية التعرف على هذه البيانات.

تستند التقنية إلى ملاحظات تجريبية حاسمة، حيث أن العينات الداخلية (ID) تظهر هيكل حد أدنى حاد واضح ضمن مسافات ماهالانوبس (Mahalanobis distances) للفئات، مما يعني أن المسافة إلى أقرب فئة صغيرة بينما تظل المسافات إلى جميع الفئات الأخرى كبيرة، مما ينتج عنه تباين عالي بين الفئات. أما بالنسبة للعينات الخارجة عن التوزيع، فتبدو ذات هيكل حد أدنى أقل وضوحًا، مما يؤدي إلى تباين أقل بين الفئات.

تأتي هذه الملاحظات مدعومة بتحليل نظري راسخ يربطها بإعدادات الانهيار العصبي (Neural Collapse)، حيث يظهر الفريد من نوعه أن العينات الداخلية تميل إلى أن تكون ذات تباين عالٍ في المسافات بين الفئات. بناءً على هذه الملاحظات، تم اقتراح تقنية MahaVar ككاشف محوري للبيانات الخارجة عن التوزيع، حيث تعزز مسافة ماهالانوبس بمصطلح تباين المسافة على مستوى الفئة.

عند تطبيق بروتوكول OpenOOD v1.5، أثبتت MahaVar قدرتها على تحقيق أداء متفوق على مجموعة بيانات CIFAR-100 وImageNet، مع تحسينات ملحوظة في المعدلات فوز (AUROC) ونسبة الخطأ عند مستوى 95% (FPR@95) مقارنة بالطرق القائمة على ماهالانوبس الأخرى.

يمكن القول بأن MahaVar تمثل خطوة هائلة نحو تعزيز موثوقية الشبكات العصبية وفتح آفاق جديدة في مجالات التطبيقات الحرجة التي تعتمد على الذكاء الاصطناعي.