DynaSubVAE: 用于可扩展且鲁棒的分布外检测的自适应子群划分
机器学习
2025-06-13 v1
摘要
真实世界的观测数据通常包含偏离全局模式的现有或新兴异质子群体。大多数模型倾向于忽略这些代表性不足的群体，导致不准确甚至有害的预测。现有解决方案通常依赖将这些样本检测为分布外（OOD）样本，而非适应新的涌现模式。我们提出 DynaSubVAE，一个动态子群划分变分自编码器框架，联合执行表征学习和自适应 OOD 检测。与传统方法不同，DynaSubVAE 通过动态更新其潜在结构来捕捉新趋势，从而随数据演化。它借鉴高斯混合模型的启发，采用一种新颖的非参数聚类机制，基于嵌入相似性来发现和建模潜在子群。大量实验表明，DynaSubVAE 在近 OOD 和远 OOD 检测中均取得了具有竞争力的性能，并在训练期间整个类别缺失的类别 OOD 场景中表现出色。我们进一步表明，动态子群划分机制在 OOD 准确率和遗憾精确度方面均优于独立聚类方法如 GMM 和 KMeans++。
引用
@article{arxiv.2506.10200,
title = {DynaSubVAE: Adaptive Subgrouping for Scalable and Robust OOD Detection},
author = {Tina Behrouzi and Sana Tonekaboni and Rahul G. Krishnan and Anna Goldenberg},
journal= {arXiv preprint arXiv:2506.10200},
year = {2025}
}