基于多样性的超出分布检测（可证实）
机器学习
2024-11-22 v1 计算机视觉与模式识别
摘要
超出分布（OOD）检测对于确保机器学习模型的可靠部署至关重要。近期的进展主要聚焦于利用易于获取的辅助离群点（例如来自网络或其他数据集）进行训练。然而，我们实验发现，这些方法仍然难以将检测能力推广到未知OOD数据，因为辅助离群点的多样性有限。因此，我们从泛化角度深入审查此问题，表明更多样化的辅助离群点集对增强检测能力至关重要。然而，实际中收集足够多样化的辅助离群点数据较为困难且成本高昂。因此，我们提出了一种具有理论保证的简单且实用的方法，称为基于多样性引导的OOD检测（Diversity-induced Mixup for OOD detection, diverseMix），以高效方式增强辅助离群点集的多样性。大量实验表明，diverseMix在常用且最具挑战的大规模基准测试上实现了优异性能，进一步确认了辅助离群点多样性的重要性。
引用
@article{arxiv.2411.14049,
title = {Out-Of-Distribution Detection with Diversification (Provably)},
author = {Haiyun Yao and Zongbo Han and Huazhu Fu and Xi Peng and Qinghua Hu and Changqing Zhang},
journal= {arXiv preprint arXiv:2411.14049},
year = {2024}
}