检测神经网络中误分类与分布外样本的基线方法
神经与进化计算
2018-10-04 v3 计算机视觉与模式识别
机器学习
摘要
我们考虑了检测样本是否被误分类或属于分布外样本这两个相关问题。我们提出了一种简单的基线方法，利用 softmax 分布的概率。正确分类的样本往往比错误分类和分布外样本具有更大的最大 softmax 概率，从而允许对其进行检测。我们通过在计算机视觉、自然语言处理和自动语音识别领域定义若干任务来评估性能，展示了该基线方法在所有任务上的有效性。随后，我们表明该基线方法有时可以被超越，证明了在这些尚未充分探索的检测任务上存在未来研究的空间。
引用
@article{arxiv.1610.02136,
title = {A Baseline for Detecting Misclassified and Out-of-Distribution Examples in Neural Networks},
author = {Dan Hendrycks and Kevin Gimpel},
journal= {arXiv preprint arXiv:1610.02136},
year = {2018}
}
备注
Published as a conference paper at ICLR 2017. 1 Figure in 1 Appendix. Minor changes from the previous version