用于分布外检测的马哈拉诺比斯感知训练
机器学习
2023-11-03 v1
摘要
尽管深度学习模型在受控环境中取得了广泛成功，其在开放世界场景中的部署仍面临障碍。安全部署的一项关键任务是检测可能需要人工干预的异常或分布外样本。在这项工作中，我们提出了一种新颖的损失函数与训练方案，用于训练具有改进基于密度的分布外敏感性的网络。我们在CIFAR-10上证明了方法的有效性，将相对马哈拉诺比斯距离方法在远分布外（far-OOD）任务上的假阳性率显著降低超过50%。
引用
@article{arxiv.2311.00808,
title = {Mahalanobis-Aware Training for Out-of-Distribution Detection},
author = {Connor Mclaughlin and Jason Matterer and Michael Yee},
journal= {arXiv preprint arXiv:2311.00808},
year = {2023}
}
备注
2 pages, 2 figures. Presented at AAAI Fall Symposium Series `23