RODEO：通过暴露自适应离群样本实现鲁棒离群检测
计算机视觉与模式识别
2025-01-29 v1 机器学习
摘要
近年来，图像离群检测取得了显著进展，但在对抗性环境下的离群检测性能仍远落后于标准环境。这源于在训练期间缺乏对对抗场景的有效暴露，尤其是对未见过的离群样本，导致检测模型未能学习鲁棒特征。为弥合这一差距，我们引入 RODEO，一种以数据为中心的方法，用于鲁棒离群检测。具体而言，我们表明，纳入离群暴露（Outlier Exposure, OE）和对抗训练可是有效策略，前提是暴露的训练离群样本满足某些特征，包括多样性以及与内样本的概念可区分性和类比性。我们利用文本到图像模型实现上述目标。我们在定性和定量上演示，自适应 OE 方法有效生成“多样化”且“接近分布”的离群样本，利用文本和图像域的信息。此外，实验结果表明，利用我们合成的离群样本显著提升了离群检测器的性能，尤其在对抗性环境中效果显著。
引用
@article{arxiv.2501.16971,
title = {RODEO: Robust Outlier Detection via Exposing Adaptive Out-of-Distribution Samples},
author = {Hossein Mirzaei and Mohammad Jafari and Hamid Reza Dehbashi and Ali Ansari and Sepehr Ghobadi and Masoud Hadi and Arshia Soltani Moakhar and Mohammad Azizmalayeri and Mahdieh Soleymani Baghshah and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2501.16971},
year = {2025}
}
备注
Accepted at the Forty-First International Conference on Machine Learning (ICML) 2024. The implementation of our work is available at: \url{https://github.com/rohban-lab/RODEO}