具有置信度控制的离群暴露用于分布外检测

深度神经网络在过去几年中在分类任务上取得了巨大成功。然而，通往人工智能道路上的一个主要问题是神经网络无法准确检测来自新颖类别分布的样本，因此大多数现有分类算法假设所有类别在训练阶段之前都是已知的。在这项工作中，我们提出了一种训练神经网络的方法，使其能够有效检测分布外（OOD）样本，同时不严重损害其对已知类别测试样本的分类精度。我们提出了一种新颖的损失函数，由此产生一种新方法——具有置信度控制的离群暴露（Outlier Exposure with Confidence Control, OECC），该方法在图像和文本分类任务上利用 OE 实现了优越的 OOD 检测结果，且无需访问 OOD 样本。此外，我们通过实验表明，将 OECC 与最先进的训练后 OOD 检测方法（如马氏距离检测器（Mahalanobis Detector, MD）和格拉姆矩阵（Gramian Matrices, GM）方法）结合，可进一步提升它们在 OOD 检测任务中的性能，展示了结合训练与训练后方法用于 OOD 检测的潜力。