基于 BiGAN 与 MDL 的分布外检测
机器学习
2022-06-07 v1 信息论
math.IT
摘要
我们考虑如下问题：我们拥有大量可用的正常数据。现给定一组新的、可能相当小的数据，我们需要判断这些数据是正常的，还是指示了一种新现象。这是一个新颖性检测或分布外检测问题。一个例子是在医学中，正常数据来自无已知疾病的人群，而新数据集来自有症状的人群。其他例子可能在安全领域。我们通过在正常数据上训练双向生成对抗网络（BiGAN）并使用高斯图模型对输出进行建模来解决该问题。然后我们在输出上使用通用源编码，或最小描述长度（MDL）来判断其是否为新分布，这是对 Kolmogorov 与 Martin-Löf 随机性的一种实现。我们将该方法应用于 MNIST 数据以及一组健康的与川崎病患者的真实世界心电图（ECG）数据集，并在 ROC 曲线方面展现出优于类似方法的性能。
引用
@article{arxiv.2206.01851,
title = {Out-of-Distribution Detection using BiGAN and MDL},
author = {Mojtaba Abolfazli and Mohammad Zaeri Arimani and Anders Host-Madsen and June Zhang and Andras Bratincsak},
journal= {arXiv preprint arXiv:2206.01851},
year = {2022}
}