Dans cet article, nous présentons une méthode de détection hors distribution (OOD) qui se concentre sur le décalage de covariable, un changement subtil de la distribution des données qui entraîne une dégradation des performances de l'apprentissage automatique, contrairement aux problèmes OOD sémantiques et de décalage de domaine existants. Nous proposons un cadre d'autoencodeur variationnel antagoniste (VAE) basé sur l'apprentissage non supervisé appelé DisCoPatch. Ce cadre exploite la caractéristique selon laquelle les échantillons réels et antagonistes forment des domaines distincts avec des statistiques de lot uniques dans un discriminateur antagoniste entraîné par la normalisation par lots (BN). DisCoPatch entraîne le discriminateur en utilisant les sorties incorrectes (échantillons générés et reconstruits) du VAE comme échantillons négatifs, clarifiant ainsi la frontière entre les échantillons dans la distribution et le décalage de covariable. Par conséquent, il atteint des performances de pointe avec 95,5 % d'AUROC sur ImageNet-1K(-C) et 95,0 % de performance sur le benchmark Near-OOD, offrant une solution pratique de détection OOD avec une taille de modèle réduite de 25 Mo et une faible latence. Le code source est également open source.
