PnPOOD：通过即插即用数据增强进行文本分类的分布外检测
人工智能
2021-11-09 v1
摘要
虽然分布外（OOD）检测在计算机视觉中得到了很好的探索，但在NLP分类的OOD检测方面，先前的尝试相对较少。在本文中，我们认为这些先前的尝试没有完全解决OOD问题，并且可能遭受数据泄漏和所得模型校准不良的问题。我们提出了PnPOOD，一种通过使用最近提出的即插即用语言模型（Dathathri等人，2020）进行域外样本生成来执行OOD检测的数据增强技术。我们的方法生成接近类边界的高质量判别样本，从而在测试时实现准确的OOD检测。我们证明，我们的模型在OOD样本检测上优于先前的模型，并且在20个新闻组文本和斯坦福情感树库数据集（Lang, 1995; Socher等人，2013）上表现出更低的校准误差。我们进一步强调了先前OOD检测尝试中使用的数据集存在重要的数据泄漏问题，并分享了一个新的OOD检测数据集的结果，该数据集不存在同样的问题。
引用
@article{arxiv.2111.00506,
title = {PnPOOD : Out-Of-Distribution Detection for Text Classification via Plug andPlay Data Augmentation},
author = {Mrinal Rawat and Ramya Hebbalaguppe and Lovekesh Vig},
journal= {arXiv preprint arXiv:2111.00506},
year = {2021}
}