MACHINE LEARNING MODEL FOR DETECTING OUT-OF-DISTRIBUTION INPUTS

• Main Authors: WINKENS, Jim, REN, Jie, MACWILLIAMS, Patricia, LAKSHMINARAYANAN, Balaji, ROY, Abhijit, KARTHIKESALINGAM, Alan
• Format: Patent
• Language: English; French
• Published: 06.10.2022
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; PHYSICS

A method includes determining, by a machine learning model and based on input data, a feature map that represents learned features present in the input data. The method also includes, for each respective inlier class of a plurality of inlier classes, determining, by the machine learning model and based on the feature map, a corresponding inlier score indicative of a probability that the input data belongs to the respective inlier class. The method additionally includes, for each respective outlier class of a plurality of outlier classes, determining, by the machine learning model and based on the feature map, a corresponding outlier score indicative of a probability that the input data belongs to the respective outlier class. The method further includes determining, based on the inlier scores and the outlier scores, whether the input data corresponds to the plurality of inlier classes or to the plurality of outlier classes. L'invention concerne un procédé comprenant les étapes suivantes : un modèle d'apprentissage automatique détermine, sur la base de données d'entrée, une carte de caractéristiques qui représente des caractéristiques apprises présentes dans les données d'entrée ; pour chaque classe d'appartenance respective d'une pluralité de classes d'appartenance, le modèle d'apprentissage automatique détermine, sur la base de la carte de caractéristiques, un score d'appartenance correspondant indiquant la probabilité selon laquelle les données d'entrée appartiennent à la classe d'appartenance respective ; pour chaque classe respective de valeurs aberrantes d'une pluralité de classes de valeurs aberrantes, le modèle d'apprentissage automatique détermine, sur la base de la carte de caractéristiques, un score de valeur aberrante correspondant indiquant la probabilité selon laquelle les données d'entrée appartiennent à la classe respective de valeurs aberrantes ; et détermine, sur la base des scores d'appartenance et des scores de valeur aberrante, si les données d'entrée correspondent à la pluralité des classes d'appartenance ou à la pluralité des classes de valeurs aberrantes.