使用组合统计检验的模型无关分布外检测
机器学习
2022-03-03 v1 机器学习
摘要
我们提出了使用已训练生成模型进行分布外检测的简单方法。这些技术基于经典统计检验，是模型无关的，即它们可以应用于任何可微生成模型。其思想是将经典参数检验（Rao 得分检验）与最近引入的典型性检验相结合。这两种检验统计量都有坚实的理论基础，并利用基于似然（用于典型性检验）及其梯度（用于得分检验）的不同信息源。我们表明，使用 Fisher 方法将它们组合起来，总体上可以得到更准确的分布外检验。我们还讨论了将分布外检测视为统计检验问题的好处，特别指出假阳性率控制对于实际的分布外检测可能很有价值。尽管这些方法简单且通用，但在不对分布外数据做任何假设的情况下，它们可以与特定于模型的分布外检测算法相媲美。
引用
@article{arxiv.2203.01097,
title = {Model-agnostic out-of-distribution detection using combined statistical tests},
author = {Federico Bergamin and Pierre-Alexandre Mattei and Jakob D. Havtorn and Hugo Senetaire and Hugo Schmutz and Lars Maaløe and Søren Hauberg and Jes Frellsen},
journal= {arXiv preprint arXiv:2203.01097},
year = {2022}
}
备注
Accepted at the 25th International Conference on Artificial Intelligence and Statistics (AISTATS), 2022