在异常点中挖掘分布内属性以进行分布外检测
机器学习
2024-12-17 v1 机器学习
摘要
分布外（OOD）检测对于在真实场景中部署可靠的机器学习系统是不可或缺的。近期的工作在训练中使用辅助异常点，展现出了良好的潜力。然而，它们很少关注分布内（ID）数据与 OOD 数据之间的内在相关性。在本研究中，我们发现了一个明显的相关性：OOD 数据通常具有显著的 ID 属性。这些属性应被纳入训练过程中，而非像以往方法那样被盲目抑制。基于这一洞察，我们提出了一种基于结构化多视图的分布外检测学习（MVOL）框架，该框架有助于合理处理异常点中固有的分布内属性。我们提供了关于 MVOL 在 OOD 检测中有效性的理论见解。大量实验证明了我们的框架相对于其他框架的优越性。MVOL 有效地利用了辅助 OOD 数据集，甚至利用了带有噪声分布内数据的野生数据集。代码可在 https://github.com/UESTC-nnLab/MVOL 获取。
引用
@article{arxiv.2412.11466,
title = {Mining In-distribution Attributes in Outliers for Out-of-distribution Detection},
author = {Yutian Lei and Luping Ji and Pei Liu},
journal= {arXiv preprint arXiv:2412.11466},
year = {2024}
}
备注
Accepted by AAAI2025