كسر الحواجز: اكتشاف البيانات خارج التوزيع باستخدام مسافة العوامل المضادة!

في عالم الذكاء الاصطناعي، يعد اكتشاف البيانات خارج التوزيع (Out-of-Distribution Detection) من أهم التحديات التي تواجه الباحثين والمطورين. يتعلق الأمر بكيفية التعرف على البيانات التي لا تتناسب مع النماذج التعليمية المستخدمة، مما يؤثر على أداء النظام بشكل عام. في ورقة علمية جديدة، تم اقتراح 方法 مبتكر يعتمد على حساب المسافة إلى الحدود القرارية باستخدام تفسيرات مضادة (Counterfactual Explanations).

توضح الأبحاث السابقة أن مسافة الخصائص إلى الحدود القرارية يمكن استخدامها بشكل فعال لتحديد البيانات خارج التوزيع. حيث يقوم الأسلوب المقترح بحساب المسافة إلى تلك الحدود لكل إدخال من خلال استغلال التفسيرات المضادة. إلا أن تنفيذ هذه التفسيرات قد يكون مكلفًا في النماذج الكبيرة، لذا تم اقتراح استراتيجيات لتحسين القدرة على التوسع بتطبيق التفسيرات المضادة مباشرةً في فضاء التضمين.

وبناءً على النتائج، أظهرت هذه الطريقة توافقًا مع أحدث تقنيات اكتشاف البيانات خارج التوزيع. على مجموعة بيانات CIFAR-10، حققت نتائج مذهلة بحصولها على 93.50% AUROC و25.80% FPR95. بل وتفوقت الطريقة على CIFAR-100 حيث وصلت إلى 97.05% AUROC و13.79% FPR95، وأيضًا على ImageNet-200، حيث حصلت على 92.55% AUROC و33.55% FPR95 عبر أربع مجموعات بيانات OOD مختلفة.

باختصار، تقدم هذه الطريقة الجديدة حلا فعالا لتحقيق اكتشاف دقيق ومستدام للبيانات خارج التوزيع، وهو ما يعتبر خطوة هامة نحو تعزيز أمان نظم الذكاء الاصطناعي.