MADOD：通过 G-不变性元学习泛化到未见领域的 OOD 检测
机器学习
2024-11-06 v1 机器学习
摘要
现实世界的机器学习应用常常面临协变量迁移和语义迁移的同步挑战，这对传统的领域泛化和分布外(OOD)检测方法构成挑战。我们提出了元学习跨域分布外检测(Meta-learned Across Domain Out-of-distribution Detection, MADOD)框架，旨在同时解决这两种迁移问题。MADOD 利用元学习和 G-不变性来增强模型的泛化能力和 OOD 检测能力。我们的关键创新在于任务构建方式：我们随机将每个元学习任务中的 in-distribution 类指定为伪 OOD 类，从而利用现有数据模拟 OOD 场景。结合能量正则化，该方法能够学习鲁棒的、领域不变的特征，同时校准决策边界以实现有效的 OOD 检测。MADOD 在测试域无关设置下运行，无需在推理时进行适应，适用于测试数据不可用的场景。大量实验表明，MADOD 在未见领域上的语义 OOD 检测性能卓越，AUPR 提升了 8.48% 到 20.81%，同时保持了具竞争力的 in-distribution 分类准确率，标志着在处理协变量和语义迁移方面取得了重大进展。
引用
@article{arxiv.2411.02444,
title = {MADOD: Generalizing OOD Detection to Unseen Domains via G-Invariance Meta-Learning},
author = {Haoliang Wang and Chen Zhao and Feng Chen},
journal= {arXiv preprint arXiv:2411.02444},
year = {2024}
}
备注
IEEE International Conference on Big Data 2024