梦想不可能：基于扩散模型的离群点想象
机器学习
2023-09-26 v1 计算机视觉与模式识别
摘要
利用辅助离群数据集来正则化机器学习模型，已在分布外（OOD）检测与安全预测中展现出前景。由于数据收集与清洗的劳动密集性，自动化生成离群数据一直是备受期待的替代方案。尽管颇具吸引力，在高维像素空间中生成照片级真实的离群点仍是该领域的开放性挑战。为应对此问题，本文提出新框架 DREAM-OOD，其仅给定分布内（ID）数据与类别，便能通过扩散模型想象出照片级真实的离群点。具体而言，DREAM-OOD 基于 ID 数据学习一个文本条件的潜空间，随后通过该潜空间在低似然区域采样离群点，并由扩散模型解码为图像。与先前工作不同，DREAM-OOD 能够在像素空间中直接可视化并理解所想象的离群点。我们进行了全面的定量与定性研究以理解 DREAM-OOD 的效能，并表明使用 DREAM-OOD 生成的样本进行训练可提升 OOD 检测性能。代码已公开于 https://github.com/deeplearning-wisc/dream-ood。
引用
@article{arxiv.2309.13415,
title = {Dream the Impossible: Outlier Imagination with Diffusion Models},
author = {Xuefeng Du and Yiyou Sun and Xiaojin Zhu and Yixuan Li},
journal= {arXiv preprint arXiv:2309.13415},
year = {2023}
}
备注
NeurIPS 2023