Dans cet article, contrairement aux études précédentes sur les problèmes OOD sémantiques et de domaine, nous proposons une méthode de détection OOD centrée sur le décalage de covariable, un changement subtil de la distribution des données qui entraîne une dégradation des performances de l'apprentissage automatique. Nous utilisons un discriminateur antagoniste avec normalisation par lots pour exploiter la caractéristique selon laquelle les échantillons réels et antagonistes forment des régions distinctes avec des statistiques de lots uniques. À cette fin, nous présentons DisCoPatch, un framework d'autoencodeur variationnel antagoniste (VAE) basé sur l'apprentissage non supervisé, qui organise les patchs d'une même image en lots afin qu'ils puissent s'appuyer sur des statistiques de lots. Nous améliorons l'apprentissage du discriminateur en utilisant les sorties incorrectes (générées et reconstruites) du VAE comme échantillons négatifs, clarifiant ainsi la frontière entre les échantillons intradistribués et le décalage de covariable. Nous obtenons ainsi un AUROC de 95,5 % sur ImageNet-1K(-C) et de 95,0 % sur le benchmark Near-OOD, surpassant ainsi les méthodes existantes tout en offrant une solution pratique de détection d'OOD avec un modèle compact de 25 Mo et une faible latence. Le code source est ouvert.
