DSDE: 使用比例估计提高离分布检测中的模型选择
机器学习
2024-11-05 v1 计算机视觉与模式识别
机器学习
摘要
模型库是提高单模型离分布(OoD)检测器性能的有效工具，主要通过模型选择和检测融合来实现。然而，文献中现有方法未能为模型选择结果提供不确定性量化。此外，模型集成过程主要关注控制真阳性率(TPR)，而忽略了假阳性率(FPR)。本文强调模型库中识别测试样本为OoD样本的比例的重要性。该比例包含关键信息，直接影响OoD检测的错误率。为此，我们提出了颠覆常用序列p值策略的方法：首先定义拒绝区域，然后估计错误率。进一步，我们引入一种来自变点检测的新视角，提出一种带自动超参数选择的比例估计方法。我们将该方法命名为基于Stagy检测器集成(DSDE)。在CIFAR10和CIFAR100上的实验结果表明，我们的方法在解决OoD检测挑战方面有效。具体而言，CIFAR10实验显示，DSDE将FPR从11.07%降低至3.31%，显著优于最佳单模型检测器。
引用
@article{arxiv.2411.01487,
title = {DSDE: Using Proportion Estimation to Improve Model Selection for Out-of-Distribution Detection},
author = {Jingyao Geng and Yuan Zhang and Jiaqi Huang and Feng Xue and Falong Tan and Chuanlong Xie and Shumei Zhang},
journal= {arXiv preprint arXiv:2411.01487},
year = {2024}
}
备注
16 pages, 2 figures