似然遗憾：一种用于变分自编码器的分布外检测分数
机器学习
2020-10-13 v3 计算机视觉与模式识别
机器学习
摘要
深度概率生成模型能够对非常高维数据的似然进行建模。生成建模的一个重要应用应当是能够通过设定似然阈值来检测分布外（OOD）样本。然而，一些近期研究表明，概率生成模型在某些情况下会对某些类型的 OOD 样本赋予更高的似然，使得基于似然阈值的 OOD 检测规则存在问题。为解决此问题，已有若干针对深度生成模型的 OOD 检测方法被提出。在本文中，我们观察到这些方法中的许多在应用于基于变分自编码器（VAE）的生成模型时会失效。作为替代，我们提出了似然遗憾（Likelihood Regret），一种高效的 VAE OOD 分数。我们在现有方法上对我们的方法进行了基准测试，实证结果表明，当应用于 VAE 时，我们的方法获得了最佳的总体 OOD 检测性能。
引用
@article{arxiv.2003.02977,
title = {Likelihood Regret: An Out-of-Distribution Detection Score For Variational Auto-encoder},
author = {Zhisheng Xiao and Qing Yan and Yali Amit},
journal= {arXiv preprint arXiv:2003.02977},
year = {2020}
}
备注
NeurIPS 2020