基于深度最近邻的分布外检测
机器学习
2022-12-09 v3 计算机视觉与模式识别
摘要
分布外（OOD）检测是在开放世界中部署机器学习模型的一项关键任务。基于距离的方法已展现出前景，其中若测试样本与分布内（ID）数据相距相对较远，则被检测为 OOD。然而，先前的方法对底层特征空间施加了较强的分布假设，而这未必总是成立。在本文中，我们探究了非参数最近邻距离用于 OOD 检测的有效性，该方向在文献中很大程度上被忽视。与先前工作不同，我们的方法不施加任何分布假设，因而提供了更强的灵活性与通用性。我们在多个基准上证明了基于最近邻的 OOD 检测的有效性，并确立了优越的性能。在相同的 ImageNet-1k 训练模型下，与采用参数化方法马氏距离进行检测的强基线 SSD+ 相比，我们的方法将假正率（FPR@TPR95）大幅降低了 24.77%。代码见：https://github.com/deeplearning-wisc/knn-ood。
引用
@article{arxiv.2204.06507,
title = {Out-of-Distribution Detection with Deep Nearest Neighbors},
author = {Yiyou Sun and Yifei Ming and Xiaojin Zhu and Yixuan Li},
journal= {arXiv preprint arXiv:2204.06507},
year = {2022}
}
备注
15 pages, 4 figures, accepted in ICML 2022