神经网络中用于分布外检测的学习置信度
机器学习
2018-02-15 v1 机器学习
摘要
现代神经网络是非常强大的预测模型，但它们常常无法识别其预测可能出错的时候。与此密切相关的是分布外检测任务，即网络必须判断一个输入是否在其可安全执行的集合之外。为共同解决这些问题，我们提出一种为神经网络学习置信度估计的方法，该方法实现简单且产生直观可解释的输。我们证明在分布外检测任务上，我们的技术超越了近期提出的基于网络输出分布构造置信度的技术，且不需要任何额外标签或访问分布外样本。此外，我们处理了分布外检测器的校准问题，其中我们证明分布内被误分类的样本可用作分布外样本的代理。
引用
@article{arxiv.1802.04865,
title = {Learning Confidence for Out-of-Distribution Detection in Neural Networks},
author = {Terrance DeVries and Graham W. Taylor},
journal= {arXiv preprint arXiv:1802.04865},
year = {2018}
}