多示例学习中分布外样本的检测
计算机视觉与模式识别
2023-11-10 v2
摘要
在真实场景中对机器学习方案的部署往往涉及应对分布外(OOD)检测的挑战。尽管在经典监督设定下 OOD 检测已得到大量研究,弱监督学习情境——尤其是多示例学习(MIL)框架——仍鲜有探索。在本研究中,我们通过将事后 OOD 检测方法适配到 MIL 设定,同时引入一个专门设计用于评估弱监督情境下 OOD 检测性能的基准,来应对这一挑战。在基于多个公开数据集的广泛实验中,KNN 总体表现为最佳方法。然而,它在某些数据集上表现出显著缺陷,凸显了这一未被充分探索且具挑战性主题的复杂性。我们的发现揭示了 MIL 框架下 OOD 检测的复杂本质,强调了开发能够在弱监督情境中有效泛化的新颖、鲁棒且可靠方法的重要性。本文代码见:https://github.com/loic-lb/OOD_MIL。
引用
@article{arxiv.2309.05528,
title = {On the detection of Out-Of-Distribution samples in Multiple Instance Learning},
author = {Loïc Le Bescond and Maria Vakalopoulou and Stergios Christodoulidis and Fabrice André and Hugues Talbot},
journal= {arXiv preprint arXiv:2309.05528},
year = {2023}
}