SR-OOD：通过样本修复进行分布外检测
机器学习
2023-11-29 v2 人工智能
摘要
分布外（OOD）检测是确保机器学习模型可靠性与鲁棒性的关键任务。近期工作表明，生成模型常对 OOD 样本赋予高置信度分数，说明其未能捕捉数据的语义信息。为应对该问题，我们利用样本修复提出一种新颖的 OOD 检测框架，即 SR-OOD。我们的框架基于如下理念：修复一个 OOD 样本可揭示其与分布内数据的语义不一致性。具体而言，我们的框架由两部分组成：样本修复模块与检测模块。样本修复模块对输入样本施加腐蚀（erosion）并利用生成对抗网络将其修复。检测模块随后使用距离度量判定输入样本是否为 OOD。我们的框架无需任何额外数据或标签信息即可进行检测，适用于多种场景。我们在三个图像数据集 CIFAR-10、CelebA 和 Pokemon 上进行了充分实验。结果表明，我们的方法在 OOD 检测中优于最先进的生成方法。
引用
@article{arxiv.2305.18228,
title = {SR-OOD: Out-of-Distribution Detection via Sample Repairing},
author = {Rui Sun and Andi Zhang and Haiming Zhang and Jinke Ren and Yao Zhu and Ruimao Zhang and Shuguang Cui and Zhen Li},
journal= {arXiv preprint arXiv:2305.18228},
year = {2023}
}
备注
This is an updated version of the paper