EAT：面向长尾分布的分布外检测
机器学习
2023-12-15 v1 计算机视觉与模式识别
摘要
尽管分布外（OOD）检测近期取得了进展，但当前多数研究均假设类别平衡的分布内训练数据集，而这在真实场景中很少见。本文致力于解决长尾 OOD 检测这一具有挑战性的任务，其中分布内数据服从长尾类别分布。其主要难点在于区分 OOD 数据与属于尾类的样本，因为分类器检测 OOD 实例的能力与其在分布内类别上的准确率并无强相关性。为克服该问题，我们提出两个简单的思路：（1）通过引入多个弃权类来扩展分布内类别空间。该方法允许我们利用虚拟标签在 OOD 数据上进行训练，从而构建具有清晰决策边界的检测器。（2）通过将图像叠加至上下文丰富的 OOD 数据上，对上下文受限的尾类进行增强。该技术鼓励模型更加关注尾类的判别性特征。我们通过分析梯度噪声，为分离分布内数据与 OOD 数据提供了线索。大量实验表明，我们的方法在多种基准数据集上优于当前 SOTA。此外，我们的方法可作为现有长尾学习方法的附加模块，显著提升其 OOD 检测性能。代码获取地址：https://github.com/Stomach-ache/Long-Tailed-OOD-Detection 。
引用
@article{arxiv.2312.08939,
title = {EAT: Towards Long-Tailed Out-of-Distribution Detection},
author = {Tong Wei and Bo-Lin Wang and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2312.08939},
year = {2023}
}
备注
Paper accepted by AAAI 2024