Dynamische Prototypen: PID verbessert Out-of-Distribution-Erkennung

Außerhalb-der-Verteilungs-Erkennung (OOD) ist ein entscheidender Faktor für die sichere Nutzung von Machine‑Learning‑Modellen. Unter den führenden Ansätzen zählt das prototypenbasierte Lernen, bei dem jedem Klasseninhalt ein oder mehrere repräsentative Punkte zugeordnet werden.

Derzeit setzen die meisten Methoden auf eine feste Anzahl von Prototypen. Diese Starrheit verhindert jedoch, dass das Modell die unterschiedlichen Komplexitäten einzelner Klassen angemessen widerspiegelt. Ein Prototyp kann dabei zu wenig oder zu viel Information enthalten, was die Trennung von Innerhalb-der-Verteilungs‑ und Außerhalb-der-Verteilungs‑Daten schwächt.

In Anlehnung an biologische Zellprozesse – Geburt und Tod – wurde die Methode PID (Prototyp Geburt und Tod) entwickelt. Während des Trainings werden neue Prototypen in Bereichen erzeugt, die noch nicht ausreichend abgebildet sind, und gleichzeitig werden Prototypen entfernt, die keine klaren Klassengrenzen mehr liefern. So passt sich die Anzahl der Prototypen dynamisch an die Datenkomplexität an.

Experimentelle Ergebnisse zeigen, dass PID zu kompakteren und besser getrennten Innerhalb-der-Verteilungs‑Einbettungen führt und damit die Erkennungsfähigkeit für Außerhalb-der-Verteilungs‑Beispiele deutlich erhöht. Der Ansatz demonstriert, dass adaptive Prototypen die Grenzen der klassischen, statischen Methoden übertreffen.