通过潜在空间密度估计进行分布外检测的元学习
机器学习
2022-06-22 v1 人工智能
机器学习
摘要
许多基于神经网络的分布外（OoD）检测方法已被提出。然而，它们需要为每个目标任务提供大量训练数据。我们提出了一种简单而有效的元学习方法，用于在目标任务中利用少量分布内数据检测 OoD。通过所提出的方法，OoD 检测通过在潜在空间中进行密度估计来执行。一个在所有任务间共享的神经网络被用来将原始空间中的实例灵活地映射到潜在空间。该神经网络通过元学习进行训练，使得通过使用与目标任务不同的各种任务来提升期望的 OoD 检测性能。这个元学习过程使我们能够在潜在空间中获得用于 OoD 检测的适当表示。对于密度估计，我们为每个类别使用具有完整协方差的高斯混合模型（GMM）。我们可以通过最大化似然，以闭式解形式将 GMM 参数适应于每个任务中的分布内数据。由于该闭式解是可微的，我们可以通过将其纳入元学习目标函数，利用随机梯度下降法高效地元学习神经网络。在使用六个数据集的实验中，我们证明了所提出的方法比现有的元学习和 OoD 检测方法取得了更好的性能。
引用
@article{arxiv.2206.09543,
title = {Meta-learning for Out-of-Distribution Detection via Density Estimation in Latent Space},
author = {Tomoharu Iwata and Atsutoshi Kumagai},
journal= {arXiv preprint arXiv:2206.09543},
year = {2022}
}