面向大规模分布外检测的预测嵌入幂回归
计算机视觉与模式识别
2023-03-15 v2 机器学习
摘要
分布外（OOD）输入会损害现实世界机器学习系统的性能与安全性。尽管存在许多 OOD 检测方法且在低分辨率、少类别的小规模数据集上表现良好，但针对大规模 OOD 检测的方法鲜有开发。现有大规模方法通常依赖于最大分类概率，例如最先进的 grouped softmax 方法。本工作中，我们开发了一种新方法，基于训练过程中学到的标签分布来计算预测类标签的概率。我们的方法优于当前最先进的方法，且仅带来可忽略的计算成本增加。我们在 个数据集上将我们的方法与当代方法进行比较，并在 AUROC（84.2 对 82.4）和 AUPR（96.2 对 93.7）上取得了统计显著的提升。
引用
@article{arxiv.2303.04115,
title = {Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection},
author = {Hong Yang and William Gebhardt and Alexander G. Ororbia and Travis Desell},
journal= {arXiv preprint arXiv:2303.04115},
year = {2023}
}