基于正则化分歧集成的半监督新颖性检测
机器学习
2022-03-14 v3
摘要
深度神经网络常常以高置信度预测样本，即使这些样本来自未见过的类别，本应被标记出来供专家评估。当前的新颖性检测算法无法可靠地识别此类近OOD点，除非它们能获取与这些新颖样本相似的标注数据。本文提出一种新的基于集成的半监督新颖性检测（SSND）流程，成功利用未标注ID样本与新颖类样本的混合来实现良好的检测性能。具体而言，我们展示了如何通过早停正则化仅在OOD数据上产生分歧。尽管我们针对简单数据分布证明了这一事实，但我们大量的实验表明，它对更复杂的场景同样成立：我们的方法在标准图像数据集（SVHN/CIFAR-10/CIFAR-100）和医学图像数据集上显著优于最先进的SSND方法，且仅带来可忽略的计算成本增加。
引用
@article{arxiv.2012.05825,
title = {Semi-supervised novelty detection using ensembles with regularized disagreement},
author = {Alexandru Ţifrea and Eric Stavarache and Fanny Yang},
journal= {arXiv preprint arXiv:2012.05825},
year = {2022}
}