用于带分布外检测的选择性分类的插件式估计器
机器学习
2023-07-26 v4
摘要
现实世界中的分类器可受益于对低置信度样本放弃预测的选项。此类弃判在靠近所学决策边界的样本或相对于训练样本为离群点的样本上尤为有用。这些设定在选择性分类（SC）与分布外（OOD）检测文献中已得到广泛但割裂的研究。近期关于带 OOD 检测的选择性分类（SCOD）的工作主张对这些问题的统一研究；然而该问题的形式化基础仍不成熟，且现有技术本质上是启发式的。在本文中，我们提出理论上可靠、有效且能推广 SC 与 OOD 检测文献中现有方法的 SCOD 新插件式估计器。在分析过程中，我们形式化阐明了朴素地使用现有 SC 与 OOD 检测基线可能不足以应对 SCOD。我们通过实验证明，与来自两个文献的基线相比，我们的方法取得了有竞争力的 SC 与 OOD 检测性能。
引用
@article{arxiv.2301.12386,
title = {Plugin estimators for selective classification with out-of-distribution detection},
author = {Harikrishna Narasimhan and Aditya Krishna Menon and Wittawat Jitkrittum and Sanjiv Kumar},
journal= {arXiv preprint arXiv:2301.12386},
year = {2023}
}