利用 $\beta$-VAE 潜在空间为信息物理系统高效进行分布外检测
机器学习
2021-08-27 v1 人工智能
摘要
深度神经网络正被积极应用于自主信息物理系统的设计中。这些模型的优势在于能够处理高维状态空间，并学习运行状态空间的紧凑代理表示。然而，问题在于用于训练模型的采样观测可能永远无法覆盖物理环境的整个状态空间，因此，系统很可能在不属于训练分布的条件下运行。这些不属于训练分布的条件被称为分布外。在运行时检测 OOD 条件对 CPS 的安全至关重要。此外，还需要识别作为 OOD 来源的上下文或特征，以便选择适当的控制动作来减轻因 OOD 条件可能产生的后果。在本文中，我们将此问题作为图像上的多标记时间序列 OOD 检测问题进行研究，其中 OOD 既在短时间窗口（变化点）内按顺序定义，也在训练数据分布之间定义。解决此问题的一种常用方法是使用多链单类分类器。然而，对于计算资源有限且需要短推理时间的 CPS 而言，这种方法成本高昂。我们的贡献是设计并训练一种单一 -变分自编码器检测器的方法，该检测器具有对图像特征变化敏感的部分解耦潜在空间。我们使用潜在空间中对特征敏感的潜在变量来检测 OOD 图像，并识别导致 OOD 的最可能特征。我们使用 CARLA 模拟器中的自动驾驶车辆和名为 nuImages 的真实世界汽车数据集演示了我们的方法。
引用
@article{arxiv.2108.11800,
title = {Efficient Out-of-Distribution Detection Using Latent Space of $\beta$-VAE for Cyber-Physical Systems},
author = {Shreyas Ramakrishna and Zahra Rahiminasab and Gabor Karsai and Arvind Easwaran and Abhishek Dubey},
journal= {arXiv preprint arXiv:2108.11800},
year = {2021}
}
备注
Paper accepted for ACM Transactions on Cyber-Physical Systems (2021)