用于分布外检测的批集成随机神经网络
机器学习
2022-06-28 v1 人工智能
摘要
由于在实际部署机器学习模型中的重要性，分布外（OOD）检测近来受到机器学习界的广泛关注。本文提出一种通过对特征分布建模的不确定性量化方法。我们进一步引入一种高效的集成机制，即批集成（batch-ensemble），构建批集成随机神经网络（BE-SNNs）以克服特征坍缩问题。我们将所提出的 BE-SNNs 与其他最先进方法进行比较，结果表明 BE-SNNs 在多个 OOD 基准上取得了更优性能，如 Two-Moons 数据集、FashionMNIST vs MNIST 数据集、FashionMNIST vs NotMNIST 数据集以及 CIFAR10 vs SVHN 数据集。
引用
@article{arxiv.2206.12911,
title = {Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection},
author = {Xiongjie Chen and Yunpeng Li and Yongxin Yang},
journal= {arXiv preprint arXiv:2206.12911},
year = {2022}
}
备注
Accepted to the ICML 2022 workshop on distribution-free uncertainty quantification (DFUQ), 11 pages, 3 figures