[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,89 +1,185 @@
|
||||
---
|
||||
id: wiki-2026-0508-out-of-distribution-detection
|
||||
title: Out of distribution Detection
|
||||
title: Out-of-Distribution Detection
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [AI-OOD-DET-001]
|
||||
aliases: [OOD-Detection, OOD, Anomaly-Detection-NN, Novelty-Detection]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Deep-Learning, ood-detection, Reliability, Anomaly-Detection, Trustworthy-AI]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [ood, safety, uncertainty, foundation-models, anomaly-detection]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: pytorch
|
||||
---
|
||||
|
||||
# Out-of-distribution Detection (분포 외 데이터 탐지)
|
||||
# Out-of-Distribution Detection
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모르는 것을 모른다고 말할 줄 아는 정직함이 AI의 지능을 완성하며, 시스템의 치명적인 오판을 막는 최후의 보루가 된다" — 모델이 학습한 데이터 분포(In-distribution)와 확연히 다른 데이터(Out-of-distribution)가 입력되었을 때, 이를 식별하여 예측의 신뢰도를 관리하는 기술.
|
||||
## 매 한 줄
|
||||
> **"매 model 이 본 적 없는 input 의 거부"**. OOD detection 은 inference 시 input 이 training distribution 밖인지 판정하여 silent failure 를 막는 safety layer. 매 2026 의 표준은 foundation-model embedding 위 의 KNN / Mahalanobis 또는 logit-energy score, classical ODIN 은 baseline.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Uncertainty Quantification and Reject Option" — 모델의 출력 확률(Confidence)이 낮거나 특징 공간에서의 거리가 멀 때, 해당 입력을 '신뢰할 수 없음'으로 분류하고 처리를 거부하거나 인간에게 넘기는 방어적 지능 패턴.
|
||||
- **주요 기법:**
|
||||
- **Softmax-based:** 출력층의 최대 확률값이 임계치보다 낮으면 OOD로 간주.
|
||||
- **Energy-based Models:** 데이터의 에너지(부정합성) 수치를 계산하여 탐지.
|
||||
- **Generative Approach:** 데이터를 생성 모델에 통과시켜 복원 오차가 크면 OOD로 판단.
|
||||
- **의의:** 자율주행차의 미학습 장애물 인식, 의료 AI의 희귀 질환 판단 등 안전이 직결된 분야에서 모델의 과잉 확신(Overconfidence)을 억제하고 신뢰할 수 있는 AI(Trustworthy AI)를 구현함.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 성능을 높이는 것에만 집중하던 단계에서, 이제는 성능만큼이나 '자신의 한계를 아는 능력'이 모델 평가의 핵심 지표로 부상함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트가 처리 불가능한 복잡하거나 위험한 요청을 받았을 때, 내부적인 OOD 탐지 레이어를 거쳐 "현재 권한으로 수행할 수 없는 작업"임을 명확히 안내하고 상위 프로세스로 보고함.
|
||||
### 매 score family
|
||||
1. **Softmax baseline (MSP)**: max softmax probability — weak baseline.
|
||||
2. **ODIN** (Liang 2018): temperature scaling + input gradient perturbation.
|
||||
3. **Energy** (Liu 2020): `-T * logsumexp(logits / T)`, free, strong.
|
||||
4. **Mahalanobis** (Lee 2018): class-conditional Gaussian on penultimate features.
|
||||
5. **KNN** (Sun 2022): k-NN distance in feature space — 매 simple, robust.
|
||||
6. **DOSE / VIM** (2022-2024): residual + logit hybrid.
|
||||
7. **Foundation-model OOD** (CLIP, DINOv2 features + KNN) — 2026 SOTA.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Outlier-Detection-Techniques|Outlier-Detection-Techniques]], [[Trustworthy-AI|Trustworthy-AI]], Probability-Theory, [[Generative-Adversarial-Networks|Generative-Adversarial-Networks]]-GAN
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Out-of-distribution-Detection.md
|
||||
### 매 evaluation
|
||||
- AUROC, FPR@95TPR, AUPR.
|
||||
- ID = CIFAR-10/ImageNet, OOD = SVHN, Textures, iNaturalist, Places, OpenOOD bench.
|
||||
- **near-OOD** (CIFAR10 vs CIFAR100) 가 매 어려운 case.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. autonomous driving 의 unknown object reject.
|
||||
2. medical imaging 의 unsupported modality flag.
|
||||
3. LLM 의 jailbreak / off-distribution prompt detection.
|
||||
4. fraud detection 의 novel attack pattern.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Energy score (Liu 2020)
|
||||
```python
|
||||
import torch, torch.nn.functional as F
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
@torch.no_grad()
|
||||
def energy_score(model, x, T=1.0):
|
||||
logits = model(x)
|
||||
# higher energy = OOD
|
||||
return -T * torch.logsumexp(logits / T, dim=-1)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### MSP baseline
|
||||
```python
|
||||
@torch.no_grad()
|
||||
def msp(model, x):
|
||||
return -F.softmax(model(x), dim=-1).max(-1).values
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Mahalanobis on features
|
||||
```python
|
||||
@torch.no_grad()
|
||||
def fit_mahalanobis(features, labels, num_classes):
|
||||
means = []
|
||||
for c in range(num_classes):
|
||||
means.append(features[labels == c].mean(0))
|
||||
means = torch.stack(means)
|
||||
centered = features - means[labels]
|
||||
cov = centered.T @ centered / len(features)
|
||||
inv = torch.linalg.pinv(cov)
|
||||
return means, inv
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def maha_score(f, means, inv):
|
||||
diffs = f.unsqueeze(1) - means # [N, C, D]
|
||||
d2 = torch.einsum("ncd,de,nce->nc", diffs, inv, diffs)
|
||||
return d2.min(-1).values # smallest distance to any class
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### KNN OOD (Sun 2022)
|
||||
```python
|
||||
import torch, torch.nn.functional as F
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
class KNNOOD:
|
||||
def __init__(self, k=50):
|
||||
self.k = k
|
||||
def fit(self, train_feats):
|
||||
self.bank = F.normalize(train_feats, dim=-1)
|
||||
def score(self, feats):
|
||||
f = F.normalize(feats, dim=-1)
|
||||
sim = f @ self.bank.T # cosine
|
||||
topk = sim.topk(self.k, dim=-1).values
|
||||
return -topk[:, -1] # negative k-th similarity → OOD score
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### ODIN
|
||||
```python
|
||||
def odin_score(model, x, T=1000, eps=0.0014):
|
||||
x = x.clone().detach().requires_grad_(True)
|
||||
logits = model(x) / T
|
||||
p = F.softmax(logits, dim=-1).max(-1).values
|
||||
p.sum().backward()
|
||||
x_adv = x - eps * x.grad.sign()
|
||||
with torch.no_grad():
|
||||
return F.softmax(model(x_adv) / T, dim=-1).max(-1).values
|
||||
```
|
||||
|
||||
### Foundation-model OOD (DINOv2 + KNN)
|
||||
```python
|
||||
import torch
|
||||
dino = torch.hub.load("facebookresearch/dinov2", "dinov2_vitb14").eval().cuda()
|
||||
|
||||
@torch.no_grad()
|
||||
def feats(x):
|
||||
return dino(x) # [B, 768]
|
||||
|
||||
knn = KNNOOD(k=50)
|
||||
knn.fit(feats(train_loader_id))
|
||||
ood_scores = knn.score(feats(test_batch))
|
||||
```
|
||||
|
||||
### LLM OOD via embedding
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
emb = SentenceTransformer("BAAI/bge-large-en-v1.5")
|
||||
id_bank = emb.encode(in_dist_prompts, normalize_embeddings=True)
|
||||
|
||||
def prompt_ood(prompt, k=20):
|
||||
q = emb.encode([prompt], normalize_embeddings=True)
|
||||
sims = (q @ id_bank.T)[0]
|
||||
return -sims.topk(k).values.min()
|
||||
```
|
||||
|
||||
### Threshold calibration (FPR@95TPR)
|
||||
```python
|
||||
import numpy as np
|
||||
def threshold_at_tpr(scores_id, tpr=0.95):
|
||||
return np.quantile(scores_id, 1 - tpr)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Method |
|
||||
|---|---|
|
||||
| 매 simple, 즉시 | Energy |
|
||||
| 매 best AUROC | KNN on foundation features |
|
||||
| 매 access to features only | Mahalanobis |
|
||||
| 매 CV with strong backbone | DINOv2 + KNN |
|
||||
| 매 LLM input filter | embedding KNN + threshold |
|
||||
| 매 production, low-latency | Energy or MSP |
|
||||
|
||||
**기본값**: foundation embedding + KNN (k=50).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Uncertainty-Estimation]] · [[Anomaly-Detection]]
|
||||
- 변형: [[Energy-Based-Models]] · [[Mahalanobis]] · [[KNN]]
|
||||
- 응용: [[Safe-Deployment]] · [[Active-Learning]] · [[Open-Set-Recognition]]
|
||||
- Adjacent: [[Calibration]] · [[Conformal-Prediction]] · [[DINOv2]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 high-stakes deployment, jailbreak filter, novel-prompt routing.
|
||||
**언제 X**: 매 closed-world benchmark — distribution 가 fixed 인 경우 overhead.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **MSP only**: 매 over-confident network 에서 거의 무력.
|
||||
- **Train OOD detector on test OOD set**: leakage, false confidence.
|
||||
- **Threshold from training scores**: ID validation set 에서 calibrate.
|
||||
- **Ignore near-OOD**: far-OOD AUROC 99% 인데 near-OOD 60% 인 흔한 함정.
|
||||
- **Foundation-model embedding mismatch**: ImageNet-pretrained 으로 medical OOD detect.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (OpenOOD benchmark 2024, Sun 2022 KNN, Liu 2020 Energy).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Energy/Maha/KNN + foundation-model OOD |
|
||||
|
||||
Reference in New Issue
Block a user