面向多粒度异常分布检测的自适应层次图割
计算机视觉与模式识别
2026-05-26 v2
摘要
本文聚焦于一个重要且具挑战性的任务：异常分布检测(OOD检测)，旨在区分并拒绝具有语义偏移的测试样本，以防止在基于分布内(ID)数据训练的模型产生不可靠的预测。尽管前人的工作取得了相当大的成功，但这些方法在实际困难应用场景下仍不有效，因为这些方法简单地将所有未标记数据视为异常分布数据，忽略了不同数据集具有不同标签粒度的情形。例如，CIFAR-10 上的"cat"与Tiny-ImageNet 上的"tabby cat"共享相同的语义，但由于标签粒度不同而具有不同的标签。为此，本文提出一种 novel 自适应层次图割网络(AHGC)以深入探索不同图像之间的语义关系。具体而言，我们构建分层 KNN 图，基于余弦相似度评估不同图像之间的相似性。基于图的联结性和密度信息，我们将图割分为多个子图，以整合这些语义相似的样本。如果子图中标记比例超过阈值，我们将赋予具有最高比例的标签给未标记的图像。为进一步提高模型的泛化能力，我们将每个图像增强为两个版本，并最大化两个版本之间的相似性。最后，我们利用相似度得分进行 OOD 检测。在两个具有挑战性的基准测试(CIFAR-10 和 CIFAR-100)上的大规模实验表明，在代表性案例中，AHGC 在 CIFAR-100 上以 81.24% 在 CIFAR-10 上以 40.47% 超越了 state-of-the-art OOD 检测方法，这表明了 our AHGC 的有效性。
引用
@article{arxiv.2412.15668,
title = {Adaptive Hierarchical Graph Cut for Multi-granularity Out-of-distribution Detection},
author = {Xiang Fang and Arvind Easwaran and Blaise Genest and Ponnuthurai Nagaratnam Suganthan},
journal= {arXiv preprint arXiv:2412.15668},
year = {2026}
}
备注
Published in IEEE Transactions on Artificial Intelligence