多层分布外检测的函数数据视角与基线方法
机器学习
2023-06-07 v1 计算机视觉与模式识别
机器学习
摘要
分布外(OOD)检测的一个关键特征是通过多层分类器提取统计模式和关系,以利用训练好的神经网络来检测预期输入数据分布中的偏移。尽管取得了可靠的结果,几种最先进的方法仅依赖于倒数第二层或最后一层的输出,留下了可用于 OOD 检测的宝贵信息。探索多层级的方法要么需要特殊架构,要么需要监督目标才能这样做。本工作采用一种基于网络函数视图的原始方法,利用样本通过各种层级的轨迹及其统计依赖性。它超越了多元特征聚合,并引入了植根于函数异常检测的基线。在这个新框架中,OOD 检测转化为检测其轨迹不同于由训练集刻画的典型行为的样本。我们验证了我们的方法,并在计算机视觉基准上凭经验证明了其在 OOD 检测中相对于强大最先进基线的有效性。
引用
@article{arxiv.2306.03522,
title = {A Functional Data Perspective and Baseline On Multi-Layer Out-of-Distribution Detection},
author = {Eduardo Dadalto and Pierre Colombo and Guillaume Staerman and Nathan Noiry and Pablo Piantanida},
journal= {arXiv preprint arXiv:2306.03522},
year = {2023}
}