用于分布外检测的分布高斯过程层
计算机视觉与模式识别
2022-06-28 v1 机器学习
机器学习
摘要
部署于医学影像任务的机器学习模型必须具备分布外检测能力，以避免错误预测。尚不确定依赖深度神经网络的分布外检测模型是否适用于检测医学影像中的域偏移。高斯过程可通过其数学构造可靠地将分布内数据点与被分布外数据点分离。因此，我们提出了一种用于层次化卷积高斯过程的参数高效贝叶斯层，其融合了在 Wasserstein-2 空间中运行的高斯过程以可靠地传播不确定性。这直接用对分布的距离保持仿射算子替代了卷积高斯过程。我们在脑组织分割上的实验表明，所得架构逼近了成熟的确定性分割算法（U-Net）的性能，这是以往的层次化高斯过程所未实现的。此外，将同一分割模型应用于分布外数据（即带有脑肿瘤等病灶的图像），我们表明我们的不确定性估计所产生的分布外检测优于先前学习规范分布的贝叶斯网络与基于重建的方法。为促进后续研究，我们的代码已公开可用。
引用
@article{arxiv.2206.13346,
title = {Distributional Gaussian Processes Layers for Out-of-Distribution Detection},
author = {Sebastian G. Popescu and David J. Sharp and James H. Cole and Konstantinos Kamnitsas and Ben Glocker},
journal= {arXiv preprint arXiv:2206.13346},
year = {2022}
}
备注
Published in Journal of Machine Learning for Biomedical Imaging: Special Issue: Information Processing in Medical Imaging (IPMI) 2021