无监督持续学习中的分布外检测
计算机视觉与模式识别
2022-04-13 v1
摘要
无监督持续学习旨在无需人工标注地增量学习新任务。然而，大多数现有方法，尤其是针对图像分类的方法，仅在简化情景下工作，假设所有新数据属于新任务，若未提供类标签则这不现实。因此，要在现实应用中执行无监督持续学习，一开始就需要一个分布外检测器来识别每个新数据对应于新任务还是已学任务，这仍未被充分探索。在本工作中，我们形式化了无监督持续学习中的分布外检测（OOD-UCL）问题及相应评估协议。此外，我们提出一种新颖的 OOD 检测方法：先纠正输出偏差，再基于任务判别性增强分布内数据的输出置信度，该方法可直接应用而无需修改持续学习的学习过程和目标。我们的方法在 CIFAR-100 数据集上按所提评估协议评估，并显示在无监督持续学习情景下相比现有 OOD 检测方法性能更优。
引用
@article{arxiv.2204.05462,
title = {Out-Of-Distribution Detection In Unsupervised Continual Learning},
author = {Jiangpeng He and Fengqing Zhu},
journal= {arXiv preprint arXiv:2204.05462},
year = {2022}
}
备注
Accpeted paper for CVPR 2022, CLVision Workshop