EDGE：通过能量分布差距扩展的未知感知多标签学习
计算机视觉与模式识别
2024-12-24 v2
摘要
多标签分布外（OOD）检测旨在区分OOD样本与多标签分布内（ID）样本。与其多分类对应方法相比，对类别间的联合信息进行建模至关重要。为此，JointEnergy作为一种代表性的多标签OOD推理准则，总结了所有类别的logits。然而，我们发现JointEnergy在OOD检测中会产生不平衡问题，尤其是在模型缺乏足够判别能力时。具体而言，我们发现仅与少数类相关的样本由于模糊的能量决策边界而倾向于被分类为OOD样本。此外，原本为ID样本设计的多标签不平衡学习方法不适合OOD检测场景，甚至会产生严重的负迁移效应。在本文中，我们借助辅助离群暴露（outlier exposure, OE），提出了一种未知感知的多标签学习框架，以重塑不确定性能量空间布局。在该框架中，能量分数分别针对尾部ID样本和未知样本进行优化，并扩展了它们之间的能量分布差距，使得尾部ID样本的能量分数显著高于OOD样本。此外，设计了一种简单而有效的措施来选择更具信息量的OE数据集。最后，在多个多标签和OOD数据集上的综合实验结果验证了所提出方法的有效性。
引用
@article{arxiv.2412.07499,
title = {EDGE: Unknown-aware Multi-label Learning by Energy Distribution Gap Expansion},
author = {Yuchen Sun and Qianqian Xu and Zitai Wang and Zhiyong Yang and Junwei He},
journal= {arXiv preprint arXiv:2412.07499},
year = {2024}
}
备注
9 pages, 5 figures, accepted by AAAI 2025