OpenMix：利用离群样本探索误分类检测
机器学习
2023-03-31 v1 人工智能
摘要
深度神经分类器的可靠置信度估计是一项具有挑战性但基础性的需求，尤其在高风险应用中。遗憾的是，现代深度神经网络常对其错误预测过度自信。本工作中，我们利用易获取的离群样本（即来自非目标类的无标签样本）来辅助检测误分类错误。特别地，我们发现著名的Outlier Exposure虽然在检测来自未知类的分布外（OOD）样本方面表现强大，但在识别误分类错误上并未带来任何增益。基于这些观察，我们提出一种称为OpenMix的新方法，其通过学习拒绝由离群变换生成的不确定伪样本，从而引入开放世界知识。OpenMix在各种场景下显著提升了置信度可靠性，建立了一种用于检测来自已知类的误分类样本和来自未知类的OOD样本的强统一框架。代码公开于https://github.com/Impression2805/OpenMix。
引用
@article{arxiv.2303.17093,
title = {OpenMix: Exploring Outlier Samples for Misclassification Detection},
author = {Fei Zhu and Zhen Cheng and Xu-Yao Zhang and Cheng-Lin Liu},
journal= {arXiv preprint arXiv:2303.17093},
year = {2023}
}
备注
Accepted by CVPR 2023 (Highlight)