基于软布朗偏移采样与自编码器的分布外检测与生成

深度神经网络常常存在过度自信的问题，而改进的分布外检测可部分缓解该问题。为此，我们提出了一种新颖的方法，能够基于给定的分布内数据集生成分布外数据集。该新数据集随后可用于改进针对给定数据集和当前机器学习任务的分布外检测。该数据集中的样本在特征空间上接近分布内数据集，因此真实且合理。因此，该数据集也可用于保障神经网络，即验证其泛化性能。我们的方法首先使用自编码器生成分布内数据集的合适表示，然后使用我们新提出的软布朗偏移方法对其进行变换。变换后，自编码器的解码器部分可生成这些隐式分布外样本。这一新生成的数据集随后可与其他数据集混合，从而改进分布外分类器的训练，提升其性能。在实验上，我们表明我们的方法在合成数据的时间序列上是有前景的。使用我们的新方法，我们还通过定量案例研究证明能够改进 MNIST 数据集的分布外检测。最后，我们提供了另一个关于分布外轨迹合成生成的案例研究，该轨迹可用于验证自动驾驶的轨迹预测算法。