基于深度度量学习的基于合成离群点暴露的异常分布检测
计算机视觉与模式识别
2024-05-02 v1
摘要
本文提出了一种新方法，将深度度量学习与扩散模型生成合成数据的技术相结合，用于异常分布检测。异常分布检测的流行方法之一是离群点暴露，即使用数据混合物训练模型，其中包含来自分布内 (ID) 样本和“已知”离群点样本。对于离群点样本，模型被训练以最小化输出概率与均匀分布之间的 KL 散度，同时正确分类分布内 (ID) 数据。在本文中，我们提出了一种标签混合方法，用于通过去噪扩散概率模型 (DDPM) 生成合成离群点数据。此外，我们还探索了最近在度量学习方面的进展，以训练我们的模型。在实验中，我们发现基于度量学习的损失函数优于 softmax。进一步地，包括 softmax 和度量学习在内的基线模型在使用生成的离群点数据训练后表现显著提升。我们的方法在常规异常分布检测指标中超越了强大的基线。
引用
@article{arxiv.2405.00631,
title = {Deep Metric Learning-Based Out-of-Distribution Detection with Synthetic Outlier Exposure},
author = {Assefa Seyoum Wahd},
journal= {arXiv preprint arXiv:2405.00631},
year = {2024}
}