利用部分Wasserstein与最大均值差异距离弥合异常检测与漂移检测间的鸿沟
机器学习
2021-06-29 v2 机器学习
摘要
随着基于机器学习和深度学习的实际应用在实践中兴起，监控（即验证这些应用是否在规范内运行）已成为重要的实际问题。该监控的一个重要方面是检查输入（或中间结果）是否偏离了其所验证的分布，这可能使测试期间获得的性能保证失效。对此有两种常见方法。或许更经典的一种是异常检测或新颖性检测，即对单个输入询问其是否为异常值，即极不可能源自参考分布。第二种或许较新的方法是考虑较多数量的输入并将其分布与参考分布（例如测试期间采样得到）比较，这以漂移检测为名进行。本工作中，我们通过将给定数量的输入与自动选择的参考分布部分进行比较，弥合异常检测与漂移检测间的鸿沟。
引用
@article{arxiv.2106.12893,
title = {Partial Wasserstein and Maximum Mean Discrepancy distances for bridging the gap between outlier detection and drift detection},
author = {Thomas Viehmann},
journal= {arXiv preprint arXiv:2106.12893},
year = {2021}
}