通过去偏置 VAE 似然实现鲁棒离群点检测
机器学习
2022-07-20 v3 计算机视觉与模式识别
摘要
深度网络在测试远离其训练分布的离群数据时，常做出自信但错误的预测。深度生成模型（DGMs）计算的似然是无需标注数据进行离群点检测的候选度量。然而，先前研究表明 DGM 似然不可靠，且易被对输入数据的简单变换所偏置。本文中，我们考察使用变分自编码器（VAEs）——最简单的 DGM 之一——进行离群点检测。我们提出新颖的分析与算法方法来改善 VAE 似然的关键偏置。我们的偏置校正具有样本特异性、计算开销低，并可轻易用于多种解码器可见分布。接着，我们展示一种广为人知的图像预处理技术——对比度拉伸——可扩展偏置校正的有效性，以进一步改善离群点检测。我们的方法在九个灰度与自然图像数据集上取得最先进（state-of-the-art, SOTA）准确率，并相较四种近期竞争方法展现出显著优势——无论速度还是性能。总之，轻量级补救措施足以用 VAE 实现鲁棒离群点检测。
引用
@article{arxiv.2108.08760,
title = {Robust outlier detection by de-biasing VAE likelihoods},
author = {Kushal Chauhan and Barath Mohan U and Pradeep Shenoy and Manish Gupta and Devarajan Sridharan},
journal= {arXiv preprint arXiv:2108.08760},
year = {2022}
}
备注
CVPR 2022. 20 pages and 19 figures