SEE-OoD：面向增强分布外检测的监督式探索
机器学习
2023-10-13 v1
摘要
当前分布外（OoD）检测技术主要依赖于量化预测不确定性，并在训练阶段结合模型正则化，使用真实或合成的OoD样本。然而，利用真实OoD样本的方法缺乏探索，且容易对已有OoD样本过拟合。而合成样本通常基于从训练数据中提取的特征生成，当训练数据与OoD数据在特征空间中高度重叠时效果有限。本文中，我们提出一种基于Wasserstein分数的生成对抗训练方案以提升OoD检测准确率，该方案首次在有限OoD样本监督下同时执行数据增强与探索。具体而言，生成器利用判别器的反馈探索OoD空间并生成合成OoD样本，而判别器借助预定义的Wasserstein分数利用观测到和合成的样本进行OoD检测。我们提供了理论保证，表明所提生成方案的最优解可通过经验设定下的对抗训练统计达成。随后我们证明，该方法在各种计算机视觉数据集上优于最先进技术，并对未见OoD数据展现出优越的泛化能力。
引用
@article{arxiv.2310.08040,
title = {SEE-OoD: Supervised Exploration For Enhanced Out-of-Distribution Detection},
author = {Xiaoyang Song and Wenbo Sun and Maher Nouiehed and Raed Al Kontar and Judy Jin},
journal= {arXiv preprint arXiv:2310.08040},
year = {2023}
}