AHA：人类辅助的分布外一般化与检测
机器学习
2024-10-11 v1
摘要
现代机器学习模型在实际应用中常常遇到分布迁移，表现为协变量或语义分布外（OOD）迁移。这些迁移导致 OOD 一般化和 OOD 检测方面的挑战。本文提出一种新颖的集成方法 AHA（Adaptive Human-Assisted OOD learning），通过人类辅助框架同时解决 OOD 一般化和 OOD 检测问题。我们策略性地在新颖的最大歧义区域内标记数据，其中语义 OOD 数据与协变量 OOD 数据的数量大致相等。通过在此区域内标记，我们能够最大程度地歧义两种类型的 OOD 数据，从而最大化有限标记预算的效用。我们的算法首先利用噪声二进制搜索算法以高概率识别最大歧义区域，然后继续对该区域内的数据进行标注，从而充分利用人类反馈。大量实验验证了我们方法的有效性。我们观察到仅通过少量人类标注，本方法在 OOD 一般化和 OOD 检测方面显著优于不涉及人类辅助的现有最先进方法。代码已公开于 \url{https://github.com/HaoyueBaiZJU/aha}。
引用
@article{arxiv.2410.08000,
title = {AHA: Human-Assisted Out-of-Distribution Generalization and Detection},
author = {Haoyue Bai and Jifan Zhang and Robert Nowak},
journal= {arXiv preprint arXiv:2410.08000},
year = {2024}
}
备注
NeurIPS 2024