用于神经网络过泛化的去噪自编码器

尽管近期的进展使神经网络在各种应用上取得令人印象深刻的性能，这些模型由于其将整个输入空间划分为训练期间使用的固定目标类别集合，而固有地受到过泛化问题的困扰。因此，属于训练时未知类别甚至人类完全无法识别的新输入，有可能欺骗系统将其分类为已知类别之一，即使具有高度置信度。解决此问题有助于提升此类系统在关键应用中的安全性，并可能进一步导致在开放集识别和单类识别背景下的应用。本文提出一种使用去噪自编码器计算置信度分数的新方法，并表明该置信度分数通过近似识别其局部最大值，能够正确标识输入空间中接近训练分布的区域。