基于分布内数据跨类邻域分布的分布外检测
机器学习
2023-08-29 v2
摘要
用于图像分类的深度神经网络在训练时仅学习将分布内输入映射到其对应的真实标签，而不区分分布外样本与分布内样本。这源于所有样本独立同分布（IID）且无分布差异的假设。因此，从分布内样本学习的预训练网络会将分布外样本视为分布内样本，并在测试阶段对其做出高置信度预测。为解决此问题，我们从训练分布内样本的邻域分布中抽取分布外样本，以学习拒绝分布外输入的预测。我们引入了一种“跨类邻域分布”，假设通过混合多个分布内样本生成的分布外样本不与其构成样本共享相同的类别。因此，我们通过使用从跨类邻域分布中抽取的分布外样本对预训练网络进行微调，来提高其判别能力，其中每个分布外输入对应一个互补标签。在各种分布内/分布外数据集上的实验表明，所提出的方法在提高区分分布内与分布外样本的能力方面显著优于现有方法。
引用
@article{arxiv.2206.09385,
title = {Out-of-distribution Detection by Cross-class Vicinity Distribution of In-distribution Data},
author = {Zhilin Zhao and Longbing Cao and Kun-Yu Lin},
journal= {arXiv preprint arXiv:2206.09385},
year = {2023}
}