通过类条件印象重现检测分布外样本
机器学习
2023-03-20 v1 计算机视觉与模式识别
摘要
分布外（OOD）检测旨在增强标准深度神经网络以区分异常输入与原始训练数据。既往进展引入了多种方法，其中分布内训练数据甚至若干 OOD 样本均为先决条件。然而，出于隐私与安全考虑，辅助数据在真实场景中往往不切实际。本文提出一种无需在自然数据上训练的无数据方法，称为类条件印象重现（Class-Conditional Impressions Reappearing, C2IR），其利用固定模型中的图像印象来恢复类条件特征统计量。在此基础上，我们引入积分概率度量来估计逐层类条件偏差，并通过基于梯度的度量重要性（Measuring Gradient-based Importance, MGI）获得层权重。实验验证了方法的有效性，并指出 C2IR 优于其他事后方法，并达到与全访问（ID 与 OOD）检测方法相当的性能，尤其在远 OOD 数据集（SVHN）上。
引用
@article{arxiv.2303.09746,
title = {Detecting Out-of-distribution Examples via Class-conditional Impressions Reappearing},
author = {Jinggang Chen and Xiaoyang Qu and Junjie Li and Jianzong Wang and Jiguang Wan and Jing Xiao},
journal= {arXiv preprint arXiv:2303.09746},
year = {2023}
}
备注
Accepted by ICASSP 2023