CSI：基于分布偏移实例对比学习的新颖性检测方法
机器学习
2020-10-22 v2 机器学习
摘要
新颖性检测，即判断给定样本是否来自训练分布之外，对于可靠的机器学习至关重要。为此，已有许多尝试去学习适于新颖性检测的表示，并基于此类表示设计分数。本文受视觉表示对比学习近期成功的启发，提出了一种简单而有效的方法，称为对比偏移实例（CSI）。具体而言，除如常规对比学习方法那样将给定样本与其他实例对比外，我们的训练方案还将该样本与其自身的分布偏移增强进行对比。基于此，我们提出了一种专用于所提训练方案的新检测分数。我们的实验在各种新颖性检测场景下证明了方法的优越性，包括无标签单类、无标签多类与有标签多类设定，并使用了多种图像基准数据集。代码与预训练模型见 https://github.com/alinlab/CSI。
引用
@article{arxiv.2007.08176,
title = {CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances},
author = {Jihoon Tack and Sangwoo Mo and Jongheon Jeong and Jinwoo Shin},
journal= {arXiv preprint arXiv:2007.08176},
year = {2020}
}
备注
NeurIPS 2020. First two authors contributed equally