基于最优传输评分函数的 OOD 样本检测

Heng Gao; Zhuolin He; Jian Pu

基于最优传输评分函数的 OOD 样本检测

机器学习 2025-02-25 v1 计算机视觉与模式识别机器学习

作者: Heng Gao , Zhuolin He , Jian Pu

摘要

为在实际环境中部署机器学习模型, 研究者提出了许多 OOD 检测算法, 以帮助模型在推理阶段识别未知样本并防止其对不可信预测. 不同于依赖额外数据进行异常暴露训练的方法, 后置方法通过开发评分函数来检测离群-分布 (OOD) 样本, 这些评分函数对模型具有无关性且无需额外训练. 然而, 先前的后置方法可能未能捕获网络表示中嵌入的几何线索. 因此, 本研究提出一种基于最优传输理论的新型评分函数, 命名为OTOD, 用于 OOD 检测. 我们利用来自特征、logits和softmax概率空间的信息来计算每个测试样本的 OOD 分数. 我们的实验表明, 组合使用这些信息可以一定幅度提升OTOD性能. 在CIFAR-10和CIFAR-100基准测试中实验表明, 该方法性能卓越. 值得注意的是, 在使用ResNet-18作为主干网络时, OTOD在CIFAR-10基准测试中以mean FPR@95指标比最先进的方法GEN高出7.19%; 使用WideResNet-28作为主干网络时, 高出12.51%. 此外, 我们为OTOD提供了理论保证. 代码已在https://github.com/HengGao12/OTOD上提供.

关键词

离群-分布检测最优传输评分函数特征表示理论保证

引用

@article{arxiv.2502.16115,
  title  = {Detecting OOD Samples via Optimal Transport Scoring Function},
  author = {Heng Gao and Zhuolin He and Jian Pu},
  journal= {arXiv preprint arXiv:2502.16115},
  year   = {2025}
}

备注

IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2025

基于最优传输评分函数的 OOD 样本检测

摘要

关键词

引用

备注

相关论文