贝叶斯自编码器：分析与修正用于分布外检测的伯努利似然
机器学习
2021-07-29 v1 机器学习
摘要
在自编码器（AE）学会重构一个数据集后，人们可能预期分布外（OOD）输入的似然会较低。这已被研究作为一种检测 OOD 输入的方法。近期工作表明，这种直观方法在 FashionMNIST 与 MNIST 数据集对上可能失效。本文指出这是由于使用了伯努利似然，并分析了其原因，提出了两种修正：1）通过使用 AE 的贝叶斯版本来计算似然估计的不确定性。2）使用替代分布来建模似然。
引用
@article{arxiv.2107.13304,
title = {Bayesian Autoencoders: Analysing and Fixing the Bernoulli likelihood for Out-of-Distribution Detection},
author = {Bang Xiang Yong and Tim Pearce and Alexandra Brintrup},
journal= {arXiv preprint arXiv:2107.13304},
year = {2021}
}
备注
Presented at the ICML 2020 Workshop on Uncertainty and Ro-bustness in Deep Learning