用于分布外检测的非线性异常值合成
计算机视觉与模式识别
2024-11-22 v1 人工智能
机器学习
摘要
监督分类器的可靠性因其在处理意外输入方面的局限性而严重受损，导致对分布外（OOD）检测的极大兴趣。最近，在合成异常值上训练的OOD检测器，特别是由大型扩散模型生成的异常值，在定义稳健的OOD决策边界方面显示出有希望的结果。在此进展基础上，我们提出了NCIS，它通过直接在扩散模型的嵌入空间中操作（而不是像先前工作中那样组合不相关的模型）以及通过使用条件体积保持网络对类条件流形进行建模以更表达性地描述训练分布，从而提高了合成异常值的质量。我们证明这些改进在标准ImageNet100和CIFAR100基准上产生了新的最先进的OOD检测结果，并提供了关于数据预处理和其他关键设计选择重要性的见解。我们在\url{https://github.com/LarsDoorenbos/NCIS}提供代码。
引用
@article{arxiv.2411.13619,
title = {Non-Linear Outlier Synthesis for Out-of-Distribution Detection},
author = {Lars Doorenbos and Raphael Sznitman and Pablo Márquez-Neila},
journal= {arXiv preprint arXiv:2411.13619},
year = {2024}
}