利用混合无标签数据检测已见与未见分布外类别的样本
机器学习
2022-10-14 v1
摘要
分布外（OOD）检测在现实应用中至关重要，近年来已引起越来越多的关注。然而，多数现有OOD检测方法需要大量标注的分布内（ID）数据，导致沉重的标注成本。在本文中，我们关注更现实的场景：仅有少量标注数据与大量无标签数据可用，且这些无标签数据由ID与OOD样本混合而成。我们提出自适应内外感知学习（AIOL）方法，其中采用恰当温度系数自适应地从混合无标签数据中选取潜在ID与OOD样本，并考量其熵以进行OOD检测。此外，由于现实应用中的测试数据可能包含类别未出现在混合无标签数据中的OOD样本（称之为未见OOD类别），我们将数据增强技术引入该方法以进一步提升性能。我们在多个基准数据集上开展实验，证明了方法的优越性。
引用
@article{arxiv.2210.06833,
title = {Exploiting Mixed Unlabeled Data for Detecting Samples of Seen and Unseen Out-of-Distribution Classes},
author = {Yi-Xuan Sun and Wei Wang},
journal= {arXiv preprint arXiv:2210.06833},
year = {2022}
}
备注
Published in AAAI 2022. arXiv admin note: text overlap with arXiv:2209.09616 by other authors