基于弱监督解耦逻辑变分自编码器的分布外推理
机器学习
2022-10-19 v1
摘要
分布外（OOD）检测，即发现源自与训练集不同分布的测试样本，以及对这类样本进行推理（OOD 推理），对于确保机器学习模型生成结果的安全性是必要的。最近，在变分自编码器（VAEs）的潜空间中开展 OOD 检测已取得有前景的结果。然而，若无解耦，VAEs 无法进行 OOD 推理。解耦确保了 OOD 的生成因子（例如图像数据中的雨）与其被编码到的潜变量之间的一对多映射。尽管已有文献关注于在具有已知且独立的生成因子的简单数据集上的弱监督解耦。在实践中，对于具有未知且抽象生成因子的复杂数据集（如 Carla），通过弱监督实现完全解耦是不可能的。为此，我们提出了一种 OOD 推理框架，该框架学习部分解耦的 VAE 以对复杂数据集进行推理。我们的框架包含三个步骤：基于观测到的生成因子划分数据、训练满足解耦规则的逻辑张量网络形式的 VAE、以及运行时 OOD 推理。我们在 Carla 数据集上评估了我们的方法，并将结果与三种最先进的方法进行比较。我们发现我们的框架在解耦和端到端 OOD 推理方面优于这些方法。
引用
@article{arxiv.2210.09959,
title = {Out of Distribution Reasoning by Weakly-Supervised Disentangled Logic Variational Autoencoder},
author = {Zahra Rahiminasab and Michael Yuhas and Arvind Easwaran},
journal= {arXiv preprint arXiv:2210.09959},
year = {2022}
}
备注
Accepted in The 6th International Conference on System Reliability and Safety (ICSRS) 2022