强化不平衡学习：基于类感知的自监督异常暴露

在实际场景中，深度学习模型常面临来自不平衡（长尾）和分布外（OOD）数据的双重挑战。然而，现有联合方法依赖真实OOD数据，导致不必要的权衡。在 contrast，我们的研究表明，数据混合（用于长尾识别的强大数据增强技术）可生成既具ID数据特征又具OOD数据特征的伪OOD数据。因此，使用混合数据而非真实OOD数据，可全面解决长尾识别与OOD检测问题。我们提出一种统一框架：Reinforced Imbalance Learning with Class-Aware Self-Supervised Outliers Exposure（强化不平衡学习与类感知自监督异常暴露）。其中，"自监督"指仅使用ID数据进行异常暴露。RICASSO包含三个主要策略：基于范数-异常对抗的异常暴露：使用混合数据作为伪OOD数据，通过单一损失函数实现ID数据再平衡与异常暴露。模糊感知的logits调整：利用ID数据的模糊性进行自适应校准logits。基于对比边界-中心学习：结合虚拟边界学习和双熵中心学习，利用混合数据实现更好的特征分离与聚类，以及表示一致性学习以提高鲁棒性。大量实验表明，RICASSO在长尾识别中实现了最先进的性能，并在OOD检测方面显著优于基线方法（在iNaturalist2018数据集上，AUROC提升27%，FPR降低61%）。在iNaturalist2018数据集上，我们甚至超越了使用真实OOD数据的模型。代码将很快公开。