一石二鸟:利用野外数据同时实现分布外泛化与检测
机器学习
2025-12-22 v2
摘要
部署在野外的现代机器学习模型会遇到协变量偏移与语义偏移,分别引发分布外(OOD)泛化与 OOD 检测问题。尽管这两个问题近来都受到大量研究关注,但它们一直被独立研究。这或许并不令人惊讶,因为两项任务的目标看似冲突。本文提出一种新统一方法,能够同时在协变量偏移下泛化,并稳健检测语义偏移。我们提出一种基于间隔的学习框架,利用野外自由可用的无标签数据,其捕获了协变量与语义偏移下的环境测试时 OOD 分布。我们从经验与理论上证明,所提出的间隔约束是同时实现 OOD 泛化与检测的关键。大量实验表明我们的框架的优越性,优于专精于 OOD 泛化或 OOD 检测的竞争性基线。代码公开于 https://github.com/deeplearning-wisc/scone。
引用
@article{arxiv.2306.09158,
title = {Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection},
author = {Haoyue Bai and Gregory Canal and Xuefeng Du and Jeongyeol Kwon and Robert Nowak and Yixuan Li},
journal= {arXiv preprint arXiv:2306.09158},
year = {2025}
}
备注
ICML 2023