用于分布外检测的基于能量的 Hopfield Boosting
机器学习
2025-01-09 v2 计算机视觉与模式识别
摘要
在现实世界中部署机器学习模型时，分布外（OOD）检测至关重要。异常暴露方法在训练过程中引入辅助异常数据，与没有高级训练策略的方法相比，可以大幅提高 OOD 检测性能。我们引入了 Hopfield Boosting，这是一种提升方法，利用现代 Hopfield 能量（MHE）来锐化分布内数据与 OOD 数据之间的决策边界。Hopfield Boosting 鼓励模型关注那些位于分布内数据与辅助异常数据之间决策边界附近的难以区分的辅助异常样本。我们的方法在带有异常暴露的 OOD 检测中取得了新的 SOTA，将 CIFAR-10 上的 FPR95 指标从 2.28 降至 0.92，将 CIFAR-100 上的 FPR95 指标从 11.76 降至 7.94。
引用
@article{arxiv.2405.08766,
title = {Energy-based Hopfield Boosting for Out-of-Distribution Detection},
author = {Claus Hofmann and Simon Schmid and Bernhard Lehner and Daniel Klotz and Sepp Hochreiter},
journal= {arXiv preprint arXiv:2405.08766},
year = {2025}
}
备注
NeurIPS 2024