POEM：基于后验采样的分布外检测
机器学习
2022-06-29 v1 人工智能
计算机视觉与模式识别
摘要
分布外（OOD）检测对于部署在开放世界中的机器学习模型不可或缺。近来，训练期间使用辅助离群数据集（亦称离群暴露）已展现出良好前景。由于潜在 OOD 数据的样本空间可能极大，采样信息丰富的离群数据至关重要。本工作中，我们提出一种新颖的基于后验采样的离群挖掘框架 POEM，其促进离群数据的高效利用，并推动学习 ID 与 OOD 数据间紧凑的决策边界以改善检测。我们展示 POEM 在常用基准上建立了最先进性能。相较于当前使用贪婪采样策略的最佳方法，POEM 在 CIFAR-10 和 CIFAR-100 上分别将相对性能（FPR95）提升了 42.0% 和 24.2%。我们进一步从理论上阐释了 POEM 对 OOD 检测有效的见解。
引用
@article{arxiv.2206.13687,
title = {POEM: Out-of-Distribution Detection with Posterior Sampling},
author = {Yifei Ming and Ying Fan and Yixuan Li},
journal= {arXiv preprint arXiv:2206.13687},
year = {2022}
}
备注
ICML 2022 (Long Talk); First two authors contributed equally