基于统计检验理论视角下的异常分布识别
机器学习
2024-05-13 v3
摘要
我们研究在监督学习和无监督学习情境下高效检测离群分布（Out-of-Distribution, OOD）样本的问题。虽然机器学习模型通常在训练时假设训练数据和测试数据来自同一分布，但在实际应用中这种假设常常不成立，因此可靠地检测分布迁移在部署时至关重要。我们在统计检验的框架下重新表述OOD问题，然后讨论使OOD问题在统计意义上可辨识的条件。基于该框架，我们研究了基于巴斯金距离（Wasserstein distance）的OOD检测的收敛性保证，并提供了一个简单的经验评估。
引用
@article{arxiv.2405.03052,
title = {A View on Out-of-Distribution Identification from a Statistical Testing Theory Perspective},
author = {Alberto Caron and Chris Hicks and Vasilios Mavroudis},
journal= {arXiv preprint arXiv:2405.03052},
year = {2024}
}