通过风格感知特征排序实现鲁棒新颖性检测
计算机视觉与模式识别
2025-02-03 v2 机器学习
摘要
新颖性检测旨在识别偏离已知分布的样本，但数据偏移方式繁多，且仅少数包含相关变化。与分布外泛化文献一致，我们主张对任务相关语义或内容变化与无关风格变化进行形式化区分。该区分为鲁棒新颖性检测奠定基础，强调识别对风格分布偏移具有韧性的语义变化。为此，我们引入 Stylist，一种利用预训练大规模模型表征选择性丢弃环境偏置特征的方法。通过基于环境间特征分布距离计算逐特征分数，Stylist 有效消除导致伪相关的特征，提升新颖性检测性能。在适配的域泛化数据集与合成数据集上的评估表明，Stylist 在具有风格与内容偏移的多样数据集上改进新颖性检测的有效性。代码见 https://github.com/bit-ml/Stylist。
引用
@article{arxiv.2310.03738,
title = {Robust Novelty Detection through Style-Conscious Feature Ranking},
author = {Stefan Smeu and Elena Burceanu and Emanuela Haller and Andrei Liviu Nicolicioiu},
journal= {arXiv preprint arXiv:2310.03738},
year = {2025}
}