MMF：开放集识别中特征学习的损失扩展
机器学习
2021-05-05 v2 密码学与安全
机器学习
摘要
开放集识别（OSR）是指在收集的样本无法穷尽所有类别时，对已知类进行分类同时识别未知类的问题。OSR 问题有许多应用。例如，频繁出现的新恶意软件类需要一个能够对已知类分类并识别未知恶意软件类的系统。本文中，我们提出一种用于神经网络损失函数的附加扩展以解决 OSR 问题。我们的损失扩展利用神经网络为已知类寻找极坐标表示，从而使已知类与未知类的表示更具可分离性。我们的贡献包括：第一，我们引入了一种可融入不同损失函数以寻找更具判别性表示的扩展。第二，我们展示了所提扩展能显著提升两类不同损失函数在两个不同领域数据集上的性能。第三，我们展示了在所提扩展下，某一损失函数在训练时间与模型精度方面优于其他损失函数。
引用
@article{arxiv.2006.15117,
title = {MMF: A loss extension for feature learning in open set recognition},
author = {Jingyun Jia and Philip K. Chan},
journal= {arXiv preprint arXiv:2006.15117},
year = {2021}
}