基于模型表征神经网络的 novelty 检测
计算机视觉与模式识别
2020-08-17 v1
摘要
在本文中,我们提出一种基于模型表征神经网络的方法,以检测新颖输入类型与条件。novelty 检测对于识别会显著降低机器学习算法性能的异常输入至关重要。现有研究多聚焦于基于激活的表征来检测异常输入,这从数据角度限制了对异常的表征。然而,模型视角在新颖性与异常性方面同样具有信息量。为阐明模型视角在 novelty 检测中的重要性,我们利用反向传播梯度。我们进行了全面分析,比较梯度与激活的表征能力,并表明梯度在新类别与新条件检测上优于激活。我们使用包括 MNIST、Fashion-MNIST、CIFAR-10 与 CURE-TSR 在内的四个图像识别数据集验证了我们的方法。我们在所有四个数据集上取得显著提升,平均 AUROC 分别为 0.953、0.918、0.582 与 0.746。
引用
@article{arxiv.2008.06094,
title = {Novelty Detection Through Model-Based Characterization of Neural Networks},
author = {Gukyeong Kwon and Mohit Prabhushankar and Dogancan Temel and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2008.06094},
year = {2020}
}
备注
IEEE International Conference on Image Processing (ICIP) 2020