基于梯度并借力自监督二分类的新颖性检测
机器学习
2021-12-21 v1
摘要
新颖性检测旨在自动识别分布外（OOD）数据，而无需关于它们的任何先验知识。它是数据监测、行为分析及其他应用中的关键步骤，有助于实现该领域的持续学习。常规的OOD检测方法对数据或特征的集合进行多变量分析，且通常借助OOD数据的监督以提升准确性。现实中此类监督不切实际，因为无法预知异常数据。本文提出一种不依赖任何预定义OOD数据的新型自监督方法：（1）新方法评估分布内与OOD数据间梯度的马哈拉诺比斯距离。（2）它借助自监督二分类器引导标签选择以生成梯度，并最大化马哈拉诺比斯距离。在CIFAR-10、CIFAR-100、SVHN和TinyImageNet等多个数据集的评估中，所提方法在接收者操作特征曲线下面积（AUROC）与精确率-召回率曲线下面积（AUPR）指标上一致优于最先进的监督与无监督方法。我们进一步证明该检测器能在持续学习中准确学习一个OOD类别。
引用
@article{arxiv.2112.09815,
title = {Gradient-based Novelty Detection Boosted by Self-supervised Binary Classification},
author = {Jingbo Sun and Li Yang and Jiaxin Zhang and Frank Liu and Mahantesh Halappanavar and Deliang Fan and Yu Cao},
journal= {arXiv preprint arXiv:2112.09815},
year = {2021}
}