Generalized Out-of-Distribution Detection: A Survey

要約

機械学習システムの信頼性と安全性を確保するためには、OOD（Out-of-Distribution）検出が重要である。例えば、自律走行において、学習時間中に見たことのない異常なシーンや物体を検知し、安全な判断ができなくなった場合、運転システムがアラートを発し、人間に制御を引き継いでほしいということです。OOD検出という言葉は2017年に初めて登場し、それ以来、研究コミュニティからの注目度が高まり、分類ベースのものから密度ベースのもの、距離ベースのものまで、多くの手法が開発されるようになりました。一方、異常検出（AD）、新規性検出（ND）、オープンセット認識（OSR）、外れ値検出（OD）など、いくつかの他の問題は、動機と方法論の面でOOD検出と密接に関連しています。共通の目標があるにもかかわらず、これらのトピックは孤立して発展し、その定義や問題設定の微妙な違いが読者や実務者をしばしば混乱させる。本サーベイでは、まず、前述の5つの問題、すなわち、AD、ND、OSR、OOD検出、ODを包含する一般化OOD検出という統一的枠組みを提示する。このフレームワークの下では、これら5つの問題は特殊なケースまたはサブタスクとして見ることができ、区別しやすくなっている。次に、これらの5つの領域について、特にOOD検出の方法論に焦点を当てながら、最近の技術開発を要約してレビューします。最後に、未解決の課題と潜在的な研究の方向性について述べる。

要約(オリジナル)

Out-of-distribution (OOD) detection is critical to ensuring the reliability and safety of machine learning systems. For instance, in autonomous driving, we would like the driving system to issue an alert and hand over the control to humans when it detects unusual scenes or objects that it has never seen during training time and cannot make a safe decision. The term, OOD detection, first emerged in 2017 and since then has received increasing attention from the research community, leading to a plethora of methods developed, ranging from classification-based to density-based to distance-based ones. Meanwhile, several other problems, including anomaly detection (AD), novelty detection (ND), open set recognition (OSR), and outlier detection (OD), are closely related to OOD detection in terms of motivation and methodology. Despite common goals, these topics develop in isolation, and their subtle differences in definition and problem setting often confuse readers and practitioners. In this survey, we first present a unified framework called generalized OOD detection, which encompasses the five aforementioned problems, i.e., AD, ND, OSR, OOD detection, and OD. Under our framework, these five problems can be seen as special cases or sub-tasks, and are easier to distinguish. We then review each of these five areas by summarizing their recent technical developments, with a special focus on OOD detection methodologies. We conclude this survey with open challenges and potential research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL