基于分数的生成式分类器
机器学习
2021-12-14 v2 计算机视觉与模式识别
机器学习
摘要
近年来生成模型取得的巨大成功引发了一个问题：它们是否也能用于执行分类。生成模型已被用作简单数据集（如 MNIST）上的对抗鲁棒分类器，但在 CIFAR-10 等更复杂的数据集上尚未观察到这种鲁棒性。此外，在自然图像数据集上，先前的结果表明数据似然与分类精度之间存在权衡。在本工作中，我们研究基于分数的生成模型作为自然图像分类器的表现。我们表明，这些模型不仅获得了具有竞争力的似然值，同时在 CIFAR-10 上实现了生成式分类器的最先进分类精度。然而，我们发现，在基于常见图像损坏的分布外任务上，这些模型即便有也比判别基线模型鲁棒性略高一点。类似地且与先前结果相反，我们发现基于分数的模型易受对抗扰动形式的最坏情况分布偏移影响。我们的工作强调，与标准判别模型相比，基于分数的生成模型正在缩小分类精度的差距。虽然它们尚未实现对对抗和域外鲁棒性的承诺，但它们提供了一种值得进一步研究的不同的分类途径。
引用
@article{arxiv.2110.00473,
title = {Score-Based Generative Classifiers},
author = {Roland S. Zimmermann and Lukas Schott and Yang Song and Benjamin A. Dunn and David A. Klindt},
journal= {arXiv preprint arXiv:2110.00473},
year = {2021}
}
备注
published at https://dgms-and-applications.github.io/2021/ project website https://zimmerrol.github.io/SBGC/