用于分布外检测的最近邻引导
计算机视觉与模式识别
2023-09-27 v1
摘要
检测分布外（OOD）样本对于部署在开放世界环境中的机器学习模型至关重要。基于分类器的分数是 OOD 检测的标准方法，因其具有细粒度检测能力。然而，这些分数常受过度自信问题困扰，将远离分布内区域的 OOD 样本误分类。为应对此挑战，我们提出一种称为最近邻引导（NNGuide）的方法，引导基于分类器的分数尊重数据流形的边界几何。NNGuide 在保持基于分类器的分数的细粒度能力的同时，降低了 OOD 样本的过度自信。我们在 ImageNet OOD 检测基准上进行了广泛实验，涵盖多种设置，包括 ID 数据经历自然分布偏移的场景。我们的结果表明，NNGuide 在基础检测分数上提供了显著的性能提升，在 AUROC、FPR95 和 AUPR 指标上均达到最先进结果。代码见 \url{https://github.com/roomo7time/nnguide}。
引用
@article{arxiv.2309.14888,
title = {Nearest Neighbor Guidance for Out-of-Distribution Detection},
author = {Jaewoo Park and Yoon Gyo Jung and Andrew Beng Jin Teoh},
journal= {arXiv preprint arXiv:2309.14888},
year = {2023}
}
备注
Accepted to ICCV2023