面向主动学习与异常分布检测的统一方法
计算机视觉与模式识别
2025-10-14 v3
摘要
在开放世界场景中应用深度学习模型时，主动学习（AL）策略对于从近乎无限的未标记数据中识别标签候选人至关重要。在此背景下，针对应用程序目标分布之外数据的鲁健异常分布（OOD）检测机制是必不可少的。然而，当前研究分别针对这两个问题进行探讨。本文引入SISOM作为同时解决AL和OOD检测的首个统一解决方案。通过利用特征空间距离度量，SISOM将当前独立任务的优势融合为有效解决两个问题。我们进行了大量实验，展示了在两者之间迁移时所遇到的问题。在这些评估中，SISOM通过在两个广泛使用的OpenOOD基准中取得第一名，在剩余一个基准中取得第二名，凸显了其有效性。在AL任务中，SISOM超越其他方法，在三个基准中实现了顶级性能。
引用
@article{arxiv.2405.11337,
title = {A Unified Approach Towards Active Learning and Out-of-Distribution Detection},
author = {Sebastian Schmidt and Leonard Schenk and Leo Schwinn and Stephan Günnemann},
journal= {arXiv preprint arXiv:2405.11337},
year = {2025}
}