HyperMix: 少样本设置下的分布外检测与分类
机器学习
2023-12-27 v1 计算机视觉与模式识别
摘要
分布外（OOD）检测是现实世界机器学习系统中的一个重要课题，但分布内样本有限的设置尚未得到充分探索。这种少样本OOD设置具有挑战性，因为模型在需要识别OOD样本之前，只有很少的机会学习数据分布。事实上，我们证明了最近最先进的OOD方法在少样本设置中无法胜过简单的基线方法。因此，我们提出了一种名为HyperMix的超网络框架，该框架对生成的分类器参数使用Mixup，并采用一种自然的外样本暴露技术，该技术不需要额外的外样本数据集。我们在CIFAR-FS和MiniImageNet上进行了实验，在少样本场景中显著优于其他OOD方法。
引用
@article{arxiv.2312.15086,
title = {HyperMix: Out-of-Distribution Detection and Classification in Few-Shot Settings},
author = {Nikhil Mehta and Kevin J Liang and Jing Huang and Fu-Jen Chu and Li Yin and Tal Hassner},
journal= {arXiv preprint arXiv:2312.15086},
year = {2023}
}