FOMO-Shift: self-supervised distribution matching for safe deployment of AI foundation models

De betrouwbaarheid en nauwkeurigheid van artificiële intelligentie-modellen kunnen afnemen wanneer dergelijke modellen worden toegepast op nieuwe, gevarieerde datasets — een veelvoorkomende uitdaging die bekend staat als "distributieverschuiving". Een AI-model dat is getraind om tumoren te detecteren in MRI-scans van één ziekenhuis kan bijvoorbeeld niet goed presteren op scans van een ander ziekenhuis. Om dit probleem aan te pakken, willen we transformaties uitvoeren op de interne representaties van "foundationmodellen”, die vooraf zijn getraind op diverse data zonder specifieke labels. Door deze transformaties kunnen we mogelijk de verschuiving in distributie gedeeltelijk tegengaan en de prestaties van het model in een bredere omgeving verbeteren.