基于局部神经可塑性的分布外检测方法
机器学习
2025-02-25 v1 人工智能
计算机视觉与模式识别
摘要
在机器学习领域，训练数据与测试数据共享相同分布的假设在实际场景中常被打破，因此需要有效的分布外检测（OOD）方法。本文提出了一种新颖的 OOD 检测方法，利用 Kolmogorov-Arnold 网络（KAN）的独特局部神经可塑性特性。与传统多层感知器不同，KAN 具有局部可塑性，能够在保持已学习信息的同时适应新任务。我们的方法通过比较训练后的 KAN 与未训练版本的激活模式来检测 OOD 样本。我们在图像和医疗领域的基准测试上验证了该方法，显示出比当前最先进技术更优异的性能和鲁棒性。这些结果凸显了 KAN 在多样化环境中提升机器学习系统可靠性的潜力。
引用
@article{arxiv.2502.15833,
title = {Advancing Out-of-Distribution Detection via Local Neuroplasticity},
author = {Alessandro Canevaro and Julian Schmidt and Mohammad Sajad Marvi and Hang Yu and Georg Martius and Julian Jordan},
journal= {arXiv preprint arXiv:2502.15833},
year = {2025}
}
备注
Accepted to ICLR25