通过组合现有后验方法提高准外分布检测性能
机器学习
2024-07-11 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
自 Hendrycks 等人[arXiv:1610.02136]的开创性论文以来，后验深度准外分布(OOD)检测领域迅速发展。因此，面向安全关键应用并寻求提高神经网络鲁棒性的实践者，如今可以从众多方法中进行选择。然而，没有任何一种方法在每个数据集上都优于所有其他方法[arXiv:2210.07242]，因此当前的最佳实践是对所用数据集进行测试。本文将注意力从开发新方法转向有效组合现有方法以提升 OOD 检测。我们提出并比较了四种不同的策略，用于将多个检测得分整合为统一的 OOD 检测器，基于多数投票、经验和 Copula 基于分位数建模以及基于最优输运的多变量分位数。我们将常见的 OOD 评估指标——如 AUROC 和在固定 TPR 率下的 FPR——扩展到这些多维 OOD 检测器，从而在广泛的基准测试上对其进行评估和与单个方法进行比较。此外，我们提出了一系列指南，用于在缺乏已知 OOD 数据的更真实场景中选择应组合的 OOD 检测器，基于来自异常暴露[arXiv:1812.04606]的原则。代码已公开于 https://github.com/paulnovello/multi-ood。
引用
@article{arxiv.2407.07135,
title = {Improving Out-of-Distribution Detection by Combining Existing Post-hoc Methods},
author = {Paul Novello and Yannick Prudent and Joseba Dalmau and Corentin Friedrich and Yann Pequignot},
journal= {arXiv preprint arXiv:2407.07135},
year = {2024}
}