kkirchheim/pytorch-ood
👽 Out-of-Distribution Detection with PyTorch
解決する問題
深層学習モデルは、トレーニングセットと大きく異なるデータ（分布外またはOODデータ）に直面したとき、しばしば静かに失敗します。このライブラリは、モデルがそのような「未知の」入力に遭遇したことを検出するための標準化されたツールキットを提供し、本番環境での信頼性の低い予測を防ぐのに役立ちます。
仕組み
このライブラリは、モデルの内部状態（softmax確率、エネルギースコア、特徴アクティベーションなど）を分析して、入力が外れ値である可能性が高いかどうかを判断する、幅広い学術的なOOD検出アルゴリズムを実装しています。これらの検出器に一貫したインターフェースを提供し、ユーザーは異なる方法を切り替え、標準ベンチマークに対して評価し、既存のPyTorchワークフローに統合できます。
対象読者
このプロジェクトは、モデルの堅牢性を評価し、不確実性推定を実装し、モデルのトレーニング分布外の入力を安全に拒否できるシステムを構築する必要がある機械学習研究者やエンジニア向けに設計されています。
ハイライト
- 最先端のOOD検出アルゴリズムの広範なコレクション（例：Energy-Based、ODIN、Mahalanobis、ReAct、ViM）。
- OpenOODなどの一般的なOODベンチマークの組み込みサポート。
- PyTorch Lightningやsegmentation-models-pytorchなどの人気フレームワークと互換性があります。
- 事前学習済みモデルの重みと、データ拡張およびカスタム損失関数のためのユーティリティが含まれています。
- 異なる検出戦略を評価および比較するための標準化されたAPI。
関連
- プロジェクト
facebookresearch/pytorchvideoPyTorchVideo は、PyTorch ベースのライブラリで、ビデオに特化したデータローダー、変換、および事前学習済みモデル（SlowFast、X3D、MViT など）を提供し、ビデオ理解 AI の研究と開発を支援します。トレーニングと高速推論を効率化し、モバイル展開をサポートし、Apache 2.0 のもとでオープンソースです。
- プロジェクト
yzhao062/pyodPyOD は、表形式、時系列、グラフ、テキスト、画像、音声データにわたる異常/外れ値検出のための包括的な Python ライブラリです。バージョン 3 では、エージェント対応のオーケストレーションコア（ADEngine）と自然言語スキルが追加され、LLM エージェントが検出ワークフローを自動的に実行できるようになりました。従来の `fit`/`predict` API は引き続き利用可能で、パッケージには 61 の検出器、ベンチマークに基づくモデルルーティング、オプションの MCP/Claude-Code 統合が含まれています。
- プロジェクト
marcellodebernardi/loss-landscapes`loss‑landscapes` は、モデルのパラメータ空間の低次元スライス上でスカラー量（損失、勾配ノルム、曲率、期待報酬など）をサンプリングし、損失面の可視化を容易にする PyTorch ライブラリです。柔軟な `Metric` 抽象化、部分空間生成器（直線、平面など）、および標準モデルとRLエージェントの両方に対応する `ModelWrapper` を提供します。元の2019年リリースは破損しており、APIが変更される可能性があるため、現在再実装が進行中です。
- プロジェクト
pytorch/benchmarkPyTorch Benchmarks は、BERT、ResNet、Stable Diffusionなど人気のあるディープラーニングモデルの標準化・軽量版のコレクションであり、異なるPyTorchビルド、CUDAバージョン、バックエンドのパフォーマンスを測定するために実行できます。均一なAPI、インストールスクリプト、複数のランナー（シンプルテスト、pytest-benchmark、カスタムユーザーベンチマーク）に加え、AWS g4dn.metalインスタンスでの低ノイズチューニング用のユーティリティも提供しています。
- プロジェクト
meta-pytorch/captumCaptumは、開発者や研究者が、どの入力、ニューロン、または学習データがモデルの予測を駆動しているのかを理解するための、PyTorch用モデル解釈性アルゴリズムのスイートを提供します（Integrated Gradients, DeepLift, Gradient Shap, SmoothGrad, TCAV, TracIn, ニューロン/層のコンダクタンスなど）。pip/condaでインストール可能で、あらゆる PyTorch モデルと動作します。