异常、新颖性、开放集与分布外检测的统一综述:方案与未来挑战
计算机视觉与模式识别
2022-12-06 v5 机器学习
摘要
机器学习模型常遇到偏离训练分布的样本。未能识别分布外(OOD)样本并随之将该样本赋予类内标签,会严重损害模型的可靠性。由于在安全部署模型于开放世界场景中的重要性,该问题已获得显著关注。由于对所有可能未知分布建模的难处理性,检测 OOD 样本具有挑战性。迄今,若干研究领域致力于检测陌生样本的问题,包括异常检测、新颖性检测、单类学习、开放集识别与分布外检测。尽管具有相似且共通的概念,分布外、开放集与异常检测却被独立研究。相应地,这些研究途径未能交叉融合,造成了研究壁垒。虽有若干综述试图提供这些方法的概览,但它们似乎仅聚焦于特定领域而未考察不同领域间的关系。本综述旨在对相应领域中众多杰出工作提供跨领域且全面的回顾,同时辨识其共性。研究者可受益于不同领域研究进展的概览并协同地发展未来方法。此外,据我们所知,虽有关于异常检测或单类学习的综述,尚无关于分布外检测的全面或最新综述,而我们的综述对此进行了广泛覆盖。最后,借助统一的跨领域视角,我们讨论并阐明未来研究方向,以期使这些领域彼此靠拢。
引用
@article{arxiv.2110.14051,
title = {A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution Detection: Solutions and Future Challenges},
author = {Mohammadreza Salehi and Hossein Mirzaei and Dan Hendrycks and Yixuan Li and Mohammad Hossein Rohban and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2110.14051},
year = {2022}
}
备注
Published in Transaction on Machine Learning (TMLR)