基于可靠不确定性估计的变分自编码器检测分布外样本
机器学习
2021-11-02 v3 机器学习
摘要
变分自编码器（VAEs）是具有丰富表示能力的 influential 生成模型，其能力源于深度神经网络架构与贝叶斯方法。然而，VAE 模型存在一个缺陷，即对分布外（OOD）输入赋予比分布内（ID）输入更高的似然值。为解决该问题，可靠的不确定性估计被认为对深入理解 OOD 输入至关重要。在本研究中，我们提出一种改进噪声对比先验（INCP），能够集成到 VAE 的编码器中，称为 INCPVAE。INCP 可扩展、可训练且与 VAE 兼容，同时它继承了 INCP 在不确定性估计方面的优点。在多个数据集上的实验表明，与标准 VAE 相比，我们的模型在 OOD 数据的不确定性估计上更优，并在异常检测任务中表现鲁棒。INCPVAE 模型对 OOD 输入获得了可靠的不确定性估计，并解决了 VAE 模型中的 OOD 问题。
引用
@article{arxiv.2007.08128,
title = {Detecting Out-of-distribution Samples via Variational Auto-encoder with Reliable Uncertainty Estimation},
author = {Xuming Ran and Mingkun Xu and Lingrui Mei and Qi Xu and Quanying Liu},
journal= {arXiv preprint arXiv:2007.08128},
year = {2021}
}