利用马氏距离改进重构自编码器的分布外检测
机器学习
2018-12-10 v1 机器学习
摘要
在自动驾驶系统等安全关键应用中，对深度学习系统所作分类进行验证的需求日益明显。近期若干论文提出了检测与已知内点数据样本外观不同的异常图像数据的方法，包括基于重构的自编码器。自编码器将输入数据压缩到维度小于原始输入的潜空间，并试图利用该压缩表示准确重构输入。由于潜向量被优化为仅捕获内点类的显著特征，通常假定来自训练类之外的物体图像无法被有效压缩和重构。因此有人将重构误差视为一种新颖性度量。此处我们指出，基于重构的方法未能捕获特定异常：这些异常在潜空间中远离已知内点样本，但接近由模型参数定义的潜维度流形。我们提议在潜空间中引入马氏距离以更好地捕获这些分布外样本，结果表明该方法常较基线方法提升性能。
引用
@article{arxiv.1812.02765,
title = {Improving Reconstruction Autoencoder Out-of-distribution Detection with Mahalanobis Distance},
author = {Taylor Denouden and Rick Salay and Krzysztof Czarnecki and Vahdat Abdelzad and Buu Phan and Sachin Vernekar},
journal= {arXiv preprint arXiv:1812.02765},
year = {2018}
}
备注
9 pages, 5 figures