Temp‑SCONE: Neue OOD-Erkennung und Domain‑Generalisation für dynamische Daten

In der Open‑World‑Lernforschung, die Modelle benötigt, die sich an sich verändernde Umgebungen anpassen und gleichzeitig Ausreißer zuverlässig erkennen, hat die neue Methode Temp‑SCONE einen wichtigen Schritt nach vorne gemacht. Temp‑SCONE erweitert das bereits robuste SCONE‑Framework um eine zeitlich konsistente Regularisierung, die Instabilitäten in den Vorhersagen über die Zeit hinweg reduziert.

Der Kern der Methode ist ein confidence‑basiertes Regularisierungsloss, das auf dem Average Thresholded Confidence (ATC) basiert. Dieses Loss‑Signal bestrafe Vorhersagen, die zwischen aufeinanderfolgenden Zeitpunkten stark schwanken, während es gleichzeitig die Energie‑Margin‑Trennung von SCONE beibehält. Dadurch bleibt die Modellleistung stabil, auch wenn die Daten im Zeitverlauf einem Drift ausgesetzt sind.

Experimentelle Ergebnisse auf dynamischen Datensätzen zeigen, dass Temp‑SCONE die Robustheit gegenüber zeitlichen Verschiebungen deutlich erhöht. Die Genauigkeit bei veränderten Daten steigt, und die Erkennung von Out‑of‑Distribution‑Samples wird zuverlässiger als bei SCONE. Auf Datensätzen ohne zeitliche Kontinuität bleibt die Leistung von Temp‑SCONE vergleichbar, was die Bedeutung und Grenzen der zeitlichen Regularisierung verdeutlicht.

Zusätzlich liefert die Arbeit theoretische Einsichten zur zeitlichen Stabilität und zum Generalisationsfehler, die Temp‑SCONE als wichtigen Schritt in Richtung verlässlicher Open‑World‑Lernmodelle in sich wandelnden Umgebungen positionieren.