用于分布外检测的多类数据描述
机器学习
2021-04-05 v1
摘要
可靠检测分布外样本的能力是部署良好分类器的关键因素之一，因为在大多数现实应用中测试分布总是与训练分布不匹配。在这项工作中，我们提出了一种深度多类数据描述，称为 Deep-MCDD，它能有效检测分布外（OOD）样本并对分布内（ID）样本进行分类。与仅关注将其潜空间划分为多个区域的线性决策边界的 softmax 分类器不同，我们的 Deep-MCDD 旨在为每个类别寻找一个球形决策边界，以判定测试样本是否属于该类别。通过将高斯判别分析的概念整合到深度神经网络中，我们提出了一种深度学习目标，以学习被显式建模为可分离高斯分布的类条件分布。由此，我们可以通过测试样本到每个类条件分布的距离定义置信度分数，并利用它识别 OOD 样本。我们在多类表格和图像数据集上的实证评估表明，Deep-MCDD 在区分 OOD 样本方面取得了最佳性能，同时分类精度与其他竞争者一样高。
引用
@article{arxiv.2104.00941,
title = {Multi-Class Data Description for Out-of-distribution Detection},
author = {Dongha Lee and Sehun Yu and Hwanjo Yu},
journal= {arXiv preprint arXiv:2104.00941},
year = {2021}
}
备注
9 pages, 7 figures, published in SIGKDD 20