广义分布外检测:一项综述
计算机视觉与模式识别
2024-01-24 v3 人工智能
机器学习
摘要
分布外(OOD)检测对于确保机器学习系统的可靠性与安全性至关重要。例如,在自动驾驶中,我们希望驾驶系统在训练时从未见过且无法做出安全决策的异常场景或物体出现时发出警报并将控制权移交给人类。OOD 检测一词于 2017 年首次出现,此后受到研究界越来越多的关注,催生了大量方法,从基于分类的到基于密度的再到基于距离的。与此同时,其他几个问题,包括异常检测(AD)、新颖性检测(ND)、开集识别(OSR)与离群点检测(OD),在动机与方法上与 OOD 检测密切相关。尽管目标相同,这些主题却孤立发展,其在定义与问题设定上的细微差别常令读者与从业者困惑。本综述中,我们首先提出一个称为广义 OOD 检测的统一框架,涵盖上述五个问题,即 AD、ND、OSR、OOD 检测与 OD。在我们的框架下,这五个问题可视作特例或子任务,更易区分。随后我们综述这五个领域,总结其近期技术进展,并特别关注 OOD 检测方法。我们以开放挑战与潜在研究方向作结。
引用
@article{arxiv.2110.11334,
title = {Generalized Out-of-Distribution Detection: A Survey},
author = {Jingkang Yang and Kaiyang Zhou and Yixuan Li and Ziwei Liu},
journal= {arXiv preprint arXiv:2110.11334},
year = {2024}
}
备注
Feel free to comment on our Overleaf manuscript: https://www.overleaf.com/9899719915wmccvdtwpkct#c25192