以数据不变性理解无监督分布外检测
计算机视觉与模式识别
2022-07-22 v2
摘要
无监督分布外(U-OOD)检测因其于任务关键系统中的重要性及相较有监督对应方法更广的适用性，近来备受关注。尽管关注增加，U-OOD方法仍存在重要缺陷。通过在不同基准与图像模态上的大规模评测，我们在本工作中表明，多数流行的state-of-the-art方法无法持续优于基于预训练特征与马氏距离(MahaAD)的简单异常检测器。这些方法不一致的关键原因在于缺乏对U-OOD的形式化描述。受一简单思想实验启发，我们提出基于训练集不变性的U-OOD刻画。我们展示该刻画如何被无意体现于得分最高的MahaAD方法中，从而解释其优良性质。此外，我们的方法可用于解释U-OOD检测器的预测，并为评测未来U-OOD方法的良好实践提供见解。
引用
@article{arxiv.2111.13362,
title = {Data Invariants to Understand Unsupervised Out-of-Distribution Detection},
author = {Lars Doorenbos and Raphael Sznitman and Pablo Márquez-Neila},
journal= {arXiv preprint arXiv:2111.13362},
year = {2022}
}
备注
ECCV 2022