深度神经网络泛化包络评估综述：预测不确定性、分布外与对抗样本
机器学习
2021-09-07 v4 计算机视觉与模式识别
机器学习
摘要
深度神经网络（DNNs）在众多应用上取得了最先进的性能。然而，由于它们的决策准则通常是不透明的，很难事先判断一个接收输入的 DNN 是否会给出正确输出。若输入位于其泛化包络所包围的区域内，DNN 便给出正确输出。此时，输入样本所含信息被网络合理处理。在推理时评估 DNN 是否正确泛化具有重大实际意义。目前，实现该目标的方法在不同问题设定下相当独立地被研究，形成了三个主要研究与文献领域：预测不确定性、分布外检测与对抗样本检测。本综述将这三个领域置于研究机器学习方法尤其是 DNN 泛化性能的更宏大框架内加以联结。我们强调其共同点，指出最有前景的方法，并结构化地概述那些在推理时能提供手段以确定当前输入是否位于 DNN 泛化包络内的方法。
引用
@article{arxiv.2008.09381,
title = {A Survey on Assessing the Generalization Envelope of Deep Neural Networks: Predictive Uncertainty, Out-of-distribution and Adversarial Samples},
author = {Julia Lust and Alexandru Paul Condurache},
journal= {arXiv preprint arXiv:2008.09381},
year = {2021}
}