基于贝叶斯神经网络分类器的小训练集外分布检测
机器学习
2026-02-12 v1 机器学习
摘要
外分布检测 (OOD) 对 AI 的可靠性和安全性至关重要，但在许多实际场景中，仅可获得有限的训练数据。贝叶斯神经网络 (BNN) 是一类值得信赖的 OOD 检测模型，因为它们显式地表示贝叶斯 (即模型) 不确定性。在小训练数据情境下，BNN 尤其有价值，因为它们可以整合先验模型信息。我们引入了一系列基于期望逻辑向量的新型贝叶斯后验 OOD 分数的家族，并对比了 5 种贝叶斯方法和 4 种确定性后验 OOD 分数。在 MNIST 和 CIFAR-10 上进行的实验显示，在训练样本数为 5000 或更少时，贝叶斯方法在准确性上优于相应的确定性方法。
引用
@article{arxiv.2510.06025,
title = {Out-of-Distribution Detection from Small Training Sets using Bayesian Neural Network Classifiers},
author = {Kevin Raina and Tanya Schmah},
journal= {arXiv preprint arXiv:2510.06025},
year = {2026}
}
备注
British Machine Vision Conference (BMVC) 2025; 18 pages, 6 figures, 3 tables