基于测试时间分布外参考的开放集标签漂移
机器学习
2025-05-12 v1
摘要
开放集标签漂移（OSLS）指的是在从源分布迁移到目标分布的过程中，标签分布发生变化，且目标分布包含额外的分布外（Out-of-Distribution, OOD）类别。本文构建了用于估计源和目标开放集标签分布的估计器，分别利用源域中的分布内（In-Distribution, ID）分类器和ID/OOD分类器。基于对ID/OOD分类器的合理假设，估计器被组织为三个阶段的序列：1）估计源标签分布中OOD类别的比例，2）基于最大似然估计（MLE）的EM算法用于估计目标标签分布，3）在对OOD分类器施加宽松假设下，估计目标标签分布中OOD类别的比例。我们通过浓度不等式量化了阶段1）和3）中估计的抽样误差。估计结果允许我们在不重新训练的情况下，将在源分布上训练的ID分类器纠正到目标分布。实验在多种开放集标签漂移设置下表明了本方法的有效性。我们的代码已公开于 https://github.com/ChangkunYe/OpenSetLabelShift。
引用
@article{arxiv.2505.05868,
title = {Open Set Label Shift with Test Time Out-of-Distribution Reference},
author = {Changkun Ye and Russell Tsuchida and Lars Petersson and Nick Barnes},
journal= {arXiv preprint arXiv:2505.05868},
year = {2025}
}
备注
Accepted at CVPR 2025