GIM：高斯隔离机
机器学习
2020-03-24 v2 机器学习
摘要
在许多情况下，神经网络分类器可能暴露于其训练分布数据之外的输入数据。来自分布之外的样本可能被基于 softmax 的分类器以高概率分类为某个已有类别；此类错误分类会影响分类器及其所依赖的应用/系统的性能。先前旨在区分训练分布数据与分布外数据（OOD）的研究提出了分类方法外部的探测器。我们提出高斯隔离机（GIM），一种新颖的混合（生成-判别）分类器，旨在解决遇到 OOD 数据时产生的问题。GIM 基于神经网络，并利用一种新的损失函数，该函数在神经网络输出空间中对每个被训练类别施加一种可由高斯近似的分布。所提出的 GIM 的新颖性在于其判别性能与生成能力，这种特性组合在单一分类器中通常不常见。GIM 在图像识别和情感分析基准数据集上取得了最先进的分类结果，并且还能处理 OOD 输入。
引用
@article{arxiv.2002.02176,
title = {GIM: Gaussian Isolation Machines},
author = {Guy Amit and Ishai Rosenberg and Moshe Levy and Ron Bitton and Asaf Shabtai and Yuval Elovici},
journal= {arXiv preprint arXiv:2002.02176},
year = {2020}
}
备注
Submitted to IJCNN2020 conference