基于高斯混合生成对抗网络的非穷尽学习
机器学习
2021-07-06 v2
摘要
监督学习在现实场景中部署时，经常会遇到未知类的样本。训练监督学习模型的常规算法没有提供检测此类样本的选项，因此它们以100%的概率将这些样本误分类。开放集识别（OSR）和非穷尽学习（NEL）是克服此问题的潜在方案。大多数现有的OSR方法先对已有类的成员进行分类，然后识别新类的样本。然而，许多现有的OSR方法仅做出二元决策，即仅识别未知类的存在。因此，这类方法无法区分属于增量式未见类的测试样本。另一方面，大多数NEL方法往往对数据分布做出参数化假设，由于现实复杂数据集可能不遵循已知的数据分布，这类方法往往无法返回良好结果。在本文中，我们提出一种新的在线非穷尽学习模型，即非穷尽高斯混合生成对抗网络（NE-GM-GAN）来解决这些问题。我们提出的模型在深度生成模型（如GAN）上合成基于高斯混合的潜在表示，用于对流式数据中涌现类的样本进行增量检测。在多个基准数据集上的大量实验结果表明，NE-GM-GAN在检测流式数据中新颖类样本方面显著优于最先进的方法。
引用
@article{arxiv.2106.14344,
title = {Non-Exhaustive Learning Using Gaussian Mixture Generative Adversarial Networks},
author = {Jun Zhuang and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:2106.14344},
year = {2021}
}
备注
Accepted by ECML-PKDD 2021