平衡双曲嵌入是天然的分布外检测器
机器学习
2025-06-13 v1 计算机视觉与模式识别
摘要
分布外识别是深度学习中一个重要且被广泛研究的问题，其目标是过滤掉不属于网络训练分布的样本。本文的结论很简单：良好的层次化双曲嵌入更适合区分分布内和分布外样本。我们引入了平衡双曲学习。我们概述了一种双曲类别嵌入算法，该算法联合优化层次化失真以及浅层与宽层子层次之间的平衡。随后，我们将类别嵌入用作双曲原型，对分布内数据进行分类。我们概述了如何将现有的分布外评分函数推广至与双曲原型配合使用。在13个数据集和13种评分函数上的实验评估表明，在相同数据和相同骨干网络上训练时，我们的双曲嵌入优于现有的分布外方法。我们还表明，我们的双曲嵌入优于其他双曲方法，超越了最先进的对比方法，并原生地支持层次化分布外泛化。
引用
@article{arxiv.2506.10146,
title = {Balanced Hyperbolic Embeddings Are Natural Out-of-Distribution Detectors},
author = {Tejaswi Kasarla and Max van Spengler and Pascal Mettes},
journal= {arXiv preprint arXiv:2506.10146},
year = {2025}
}