深入探讨异常分布（OOD）检测的可学习性
机器学习
2025-01-16 v1
摘要
机器学习算法在部署时常常遇到不同或“异常分布”（Out-of-Distribution, OOD）的数据，异常分布检测经常被用于检测这些样本。虽然在实际中表现良好，但现有的理论结果对异常分布检测极度悲观。在本工作中，我们仔细研究此问题，遵循PAC学习理论，将均匀可学习性和非均匀可学习性区分为两类。我们表明，在何种条件下异常分布检测是均匀可学习和非均匀可学习的，并指出在多个案例中，非均匀可学习性可将大量负面结果转化为正面结果。在所有异常分布可学习的情形中，我们提供具体的学习算法并进行样本复杂度分析。
引用
@article{arxiv.2501.08821,
title = {A Closer Look at the Learnability of Out-of-Distribution (OOD) Detection},
author = {Konstantin Garov and Kamalika Chaudhuri},
journal= {arXiv preprint arXiv:2501.08821},
year = {2025}
}