基于自监督留类分类器集成的分布外检测
机器学习
2018-09-12 v1 计算机视觉与模式识别
机器学习
摘要
由于深度学习方法在自动驾驶和医疗诊断等商业重要应用中构成关键部分，在使用这些算法时可靠地检测分布外（OOD）输入十分重要。本工作中，我们提出一种由分类器集成组成的OOD检测算法。我们以自监督方式训练每个分类器，将训练数据的随机子集留作OOD数据，其余作为分布内（ID）数据。我们提出一种基于间隔的softmax输出损失，力求使OOD样本与分布内样本的平均熵之间至少保持间隔 。结合标准交叉熵损失，我们最小化该新损失以训练分类器集成。我们还提出一种新方法，将分类器集成的输出进行组合以获得OOD检测分数与类别预测。总体而言，我们的方法在多个OOD检测基准上令人信服地优于Hendrycks等人[7]及当前最先进的ODIN[13]。
引用
@article{arxiv.1809.03576,
title = {Out-of-Distribution Detection Using an Ensemble of Self Supervised Leave-out Classifiers},
author = {Apoorv Vyas and Nataraj Jammalamadaka and Xia Zhu and Dipankar Das and Bharat Kaul and Theodore L. Willke},
journal= {arXiv preprint arXiv:1809.03576},
year = {2018}
}