Die Studie untersucht die theoretische Lernbarkeit des OOD-Erkennungsproblems unter Risiko- und AUC-Metriken. Die Autoren beginnen mit der Untersuchung des größten Verteilungsraums, dem Gesamtraum, und finden, dass die Überlappung zwischen In-Distribution (ID) und OOD-Daten dazu führen kann, dass die notwendigen Bedingungen für die Lernbarkeit nicht erfüllt sind. Daher zeigen sie Unmöglichkeitstheoreme, die besagen, dass OOD-Erkennung im Gesamtraum und im separaten Raum unter bestimmten Bedingungen nicht lernbar ist.
Anschließend untersuchen die Autoren Szenarien, in denen OOD-Erkennung lernbar sein kann. Sie finden, dass OOD-Erkennung lernbar ist, wenn das Domänenspektrum und der Funktionsraum bestimmte spezielle Bedingungen erfüllen. Insbesondere zeigen sie, dass OOD-Erkennung lernbar ist, wenn der Merkmalsraum endlich ist und die ID- und OOD-Verteilungen keine Überlappung aufweisen. Darüber hinaus untersuchen sie andere praxisrelevante Domänenräume wie den endlichen ID-Verteilungsraum und den dichtebasierten Raum und finden weitere notwendige und hinreichende Bedingungen für die Lernbarkeit.
Die Ergebnisse der Studie haben praktische Auswirkungen. Sie zeigen, dass wir keinen universell funktionierenden OOD-Erkennungsalgorithmus erwarten sollten und dass es notwendig ist, unterschiedliche Algorithmen in verschiedenen Szenarien zu entwerfen.
翻譯成其他語言
從原文內容
arxiv.org
深入探究