理解分布外检测的可证明保证
机器学习
2021-12-03 v1
摘要
分布外（OOD）检测对于在真实世界中部署机器学习模型十分重要，因为来自偏移分布的测试数据会自然出现。尽管近期涌现了大量用于 OOD 检测的算法方法，但在理论理解上仍存在关键鸿沟。本工作中，我们开发了一个解析框架，刻画并统一了对 OOD 检测的理论理解。我们的解析框架催生了一种用于神经网络的新型 OOD 检测方法 GEM，其展现出理论与经验上的双重优越性。特别地，在以 CIFAR-100 作为分布内数据时，我们的方法以 16.57%（FPR95）优于一个竞争性基线。最后，我们正式提供了对我们方法的可证明保证与全面分析，阐明了数据分布的各种性质如何影响 OOD 检测的性能。
引用
@article{arxiv.2112.00787,
title = {Provable Guarantees for Understanding Out-of-distribution Detection},
author = {Peyman Morteza and Yixuan Li},
journal= {arXiv preprint arXiv:2112.00787},
year = {2021}
}
备注
AAAI 2022