用于开集学习的分布网络
机器学习
2018-11-27 v2 机器学习
摘要
在开集学习中，当模型遇到不属于其之前所见任何类别的样本时，必须能够泛化到新类别。开集学习提出了一种日益受到关注的现实学习场景。现有的开集学习研究主要集中在检测新类别，但很少尝试对它们建模以区分新类别。在本文中，我们认识到新类别彼此应当不同，并提出了用于开集学习的分布网络，该网络可基于概率分布对不同新类别建模。我们假设，通过某种映射，具有相同分类准则的不同类别的样本应遵循来自同一分布族的不同概率分布。学习一个深度神经网络将原始特征空间中的样本映射到潜空间，在该空间中已知类别的分布可与网络联合学习。我们还提出了一种在潜空间中检测到新类别时用于新类别建模的分布参数迁移与更新策略。通过新类别建模，检测到的的新类别可作为已知类别用于后续分类。我们在图像数据集 MNIST 和 CIFAR10 上的实验结果表明，分布网络能够准确检测新类别，并为其后续分类任务良好建模。
引用
@article{arxiv.1809.08106,
title = {Distribution Networks for Open Set Learning},
author = {Chengsheng Mao and Liang Yao and Yuan Luo},
journal= {arXiv preprint arXiv:1809.08106},
year = {2018}
}