重新思考基于重构自编码器的分布外检测
计算机视觉与模式识别
2023-03-30 v5 机器学习
摘要
在某些场景下，分类器需要检测远离其训练数据的分布外样本。基于重构自编码器的方法凭借其优良特性，将输入重构误差作为新颖性与正常性的度量指标来解决该问题。我们将此类方法的核心本质形式化为一种四元组域翻译，其内在偏置仅用于查询条件数据不确定性的代理。相应地，一个改进方向被形式化为：在确保自编码器重构能力以充当所述域翻译器的前提下，最大程度压缩其潜空间。由此引出若干策略，包括语义重构、数据确定性分解与归一化 L2 距离，以大幅改进原有方法；这些方法共同在各种基准上确立了最先进的性能，例如 Wide-ResNet 上 CIFAR-100 对 TinyImagenet-crop 的 FPR@95%TPR 为 0.2%。重要的是，我们的方法无需任何额外数据、难以实现的结构、耗时的流程，甚至不会损害已知类的分类精度。
引用
@article{arxiv.2203.02194,
title = {Rethinking Reconstruction Autoencoder-Based Out-of-Distribution Detection},
author = {Yibo Zhou},
journal= {arXiv preprint arXiv:2203.02194},
year = {2023}
}
备注
Accepted('Poster' presentation) as main conference paper of CVPR2022