READ：将重建误差聚合用于分布外检测
计算机视觉与模式识别
2023-01-06 v2
摘要
检测分布外（OOD）样本对于分类器在现实世界中的安全部署至关重要。然而，已知深度神经网络对异常数据会给出过高的置信度。现有工作直接通过挖掘分类器对分布内（ID）和 OOD 的不一致性来设计分数函数。在本文中，我们基于在 ID 数据上训练的自编码器无法像重建 ID 那样好地重建 OOD 的假设，进一步用重建误差补充该不一致性。我们提出一种新方法 READ（Reconstruction Error Aggregated Detector，重建误差聚合检测器），以统一来自分类器和自编码器的不一致性。具体而言，原始像素的重建误差被变换到分类器的潜空间。我们表明，变换后的重建误差弥合了语义鸿沟并继承了原始的检测性能。此外，我们根据对 OOD 数据的细粒度刻画提出了一种调整策略，以缓解自编码器的过置信问题。在预训练和重训练两种场景下，我们分别给出方法的两种变体，即仅基于预训练分类器的 READ-MD（Mahalanobis Distance，马氏距离）和重训练分类器的 READ-ED（Euclidean Distance，欧氏距离）。我们的方法不需要访问测试时 OOD 数据来微调超参数。最后，我们通过与最先进的 OOD 检测算法进行广泛比较，证明了所提方法的有效性。在 CIFAR-10 预训练的 WideResNet 上，与先前最先进水平相比，我们的方法将平均 FPR@95TPR 降低了至多 9.8%。
引用
@article{arxiv.2206.07459,
title = {READ: Aggregating Reconstruction Error into Out-of-distribution Detection},
author = {Wenyu Jiang and Yuxin Ge and Hao Cheng and Mingcai Chen and Shuai Feng and Chongjun Wang},
journal= {arXiv preprint arXiv:2206.07459},
year = {2023}
}
备注
Accepted to AAAI 2023