你的生成模型能否检测分布外协变量偏移？
计算机视觉与模式识别
2024-10-10 v2 人工智能
机器学习
摘要
检测分布外(OOD)感知数据和协变量分布偏移旨在识别与所捕获的、正常的分布内(ID)集具有不同高层图像统计特征的新测试样本。现有的OOD检测文献主要关注语义偏移，而对协变量偏移几乎没有达成共识。生成模型以无监督方式捕获ID数据，使其能够有效识别显著偏离这一已学习分布的样本，而无论下游任务是什么。在本工作中，我们通过涉及多种模型的广泛分析，阐明了生成模型检测和量化特定领域协变量偏移的能力。为此，我们推测，仅通过建模高频信号依赖和独立的细节，就足以检测大多数发生的感知故障（异常和全局信号统计中的偏差）。我们提出了一种新方法CovariateFlow，用于OOD检测，专门针对协变量异方差高频图像分量，使用条件归一化流。我们在CIFAR10与CIFAR10-C以及ImageNet200与ImageNet200-C上的结果证明了该方法的有效性，能够准确检测OOD协变量偏移。这项工作有助于提高成像系统的保真度，并帮助机器学习模型在存在协变量偏移的情况下进行OOD检测。
引用
@article{arxiv.2409.03043,
title = {Can Your Generative Model Detect Out-of-Distribution Covariate Shift?},
author = {Christiaan Viviers and Amaan Valiuddin and Francisco Caetano and Lemar Abdi and Lena Filatova and Peter de With and Fons van der Sommen},
journal= {arXiv preprint arXiv:2409.03043},
year = {2024}
}
备注
ECCV 2024, typos corrected