用于分布外检测的多尺度得分匹配
机器学习
2021-03-24 v3
摘要
我们提出了一种利用多个噪声尺度下得分估计的范数来检测分布外（OOD）图像的新方法。得分定义为对数密度相对于输入数据的梯度。我们的方法完全无监督，并遵循直接的训练方案。首先，我们训练一个深度网络来估计不同噪声水平的得分。训练完成后，我们计算 N 个分布内样本的含噪得分估计，并沿输入维度取 L2 范数（得到一个 N×L 矩阵）。然后我们训练一个辅助模型（如高斯混合模型）来学习该 L 维空间中的分布内空间区域。该辅助模型现在可用于识别位于所学空间之外的点。尽管简单，我们的实验表明该方法在检测分布外图像方面显著优于当前最优方法。例如，我们的方法可以有效分离 CIFAR-10（内点）和 SVHN（OOD）图像，这一设置在先前已被证明对深度似然模型而言是困难的。
引用
@article{arxiv.2010.13132,
title = {Multiscale Score Matching for Out-of-Distribution Detection},
author = {Ahsan Mahmood and Junier Oliva and Martin Styner},
journal= {arXiv preprint arXiv:2010.13132},
year = {2021}
}