DOODLER：基于编码器重构的分布外似然判定

深度学习模型具备两个关键特质，二者结合使其在实际世界中的应用充满风险。其一，它们通常难以很好地泛化到训练所基于的分布之外；其二，无论输出是否有意义，它们往往表现出自信的行为。尽管深度学习拥有解决现实高维问题的巨大能力，这些特质共同导致难以对其实际应用抱有信心。为克服该困难，分布外（OOD）检测任务被提出，用以判定模型是否接收到其所训练操作分布之外的输入。本文引入并考察了一种用于 OOD 检测的新方法 DOODLER，其直接利用了导致该任务必要性的那些特质。通过在与其他深度学习模型相同的数据上训练变分自编码器（VAE），VAE 学会精确重构分布内（ID）输入，但不重构 OOD 输入，意味着其失效状态可用于执行 OOD 检测。与该领域其他工作不同，DOODLER 仅对 OOD 数据集的存在作极弱假设，从而允许更现实的应用。DOODLER 还可通过 OOD 似然对输入图像进行像素级分割，实验结果表明其匹配或优于在相同约束下运行的方法。