用于深度神经网络不确定性（OVNNI）量化的一对一对其余方法
计算机视觉与模式识别
2020-06-03 v1 机器学习
机器学习
摘要
深度神经网络（DNNs）是强大的学习模型，但其结果并非总是可靠。这是因为现代 DNNs 通常未经过校准，且我们无法刻画其认知不确定性。在这项工作中，我们提出了一种轻松量化数据认知不确定性的新技术。该方法由训练用于分类一类对其余类（OVA）的 DNN 集成之预测，与训练用于执行全部对全部（AVA）分类的标准 DNN 之预测相混合构成。一方面，AVA DNN 对基分类器分数的调整实现了更细粒度的类间分离。另一方面，两类分类器相互强化其对分布外（OOD）样本的检测，完全规避了训练期间使用此类样本的需求。我们的方法在多个数据集与架构上量化 OOD 数据取得了最先进（state of the art）性能，且只需很少的超参数调优。
引用
@article{arxiv.2006.00954,
title = {One Versus all for deep Neural Network Incertitude (OVNNI) quantification},
author = {Gianni Franchi and Andrei Bursuc and Emanuel Aldea and Severine Dubuisson and Isabelle Bloch},
journal= {arXiv preprint arXiv:2006.00954},
year = {2020}
}