基于信息外推的多样化离群点暴露用于分布外检测
机器学习
2023-10-27 v2
摘要
分布外(OOD)检测对于在真实应用中部署可靠的机器学习模型十分重要。近期离群点暴露的进展表明,通过用信息采样的辅助离群点微调模型,在OOD检测上取得了有前景的结果。然而,先前方法假设所收集的离群点能足够大且具有代表性以覆盖ID与OOD数据的边界,这可能不切实际且具挑战性。本工作提出一种新框架,即多样化离群点暴露(DivOE),基于给定辅助离群点通过信息外推实现高效OOD检测。具体而言,DivOE引入新的学习目标,通过在训练期间显式合成更具信息量的离群点进行外推,使辅助分布多样化。它利用多步优化方法生成超越原始离群点的新离群点,该方法兼容多种离群点暴露变体。大量实验与分析表征并证明了所提DivOE的有效性。代码公开于:https://github.com/tmlr-group/DivOE。
引用
@article{arxiv.2310.13923,
title = {Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation},
author = {Jianing Zhu and Geng Yu and Jiangchao Yao and Tongliang Liu and Gang Niu and Masashi Sugiyama and Bo Han},
journal= {arXiv preprint arXiv:2310.13923},
year = {2023}
}
备注
accepted by NeurIPS 2023