包含分布外检测的拒绝选项模型
机器学习
2023-07-12 v1
摘要
对于分布外(OOD)设定，最优预测策略是机器学习中的一个基本问题。本文中，我们探讨该问题并给出若干贡献。我们提出了三种面向 OOD 设定的拒绝选项模型：基于代价的模型、有界 TPR-FPR 模型和有界精确率-召回率模型。这些模型扩展了非 OOD 设定中使用的标准拒绝选项模型，并定义了最优 OOD 选择性分类器的概念。我们证实，尽管表述不同，所有提出的模型共享一类共同的最优策略。受该最优策略启发，我们引入了双分数 OOD 方法，其利用来自两个选定 OOD 检测器的不确定性分数：一个聚焦于 OOD/ID 判别，另一个聚焦于误分类检测。实验结果一致表明，这一简单策略相较于最先进的方法具有更优性能。此外，我们基于所提 OOD 拒绝模型下最优策略的定义，提出了新的评估指标。这些新指标对 OOD 方法提供了全面且可靠的评估，避免了现有评估方法的缺陷。
引用
@article{arxiv.2307.05199,
title = {Reject option models comprising out-of-distribution detection},
author = {Vojtech Franc and Daniel Prusa and Jakub Paplham},
journal= {arXiv preprint arXiv:2307.05199},
year = {2023}
}