SSD：一种自监督离群点检测的统一框架
计算机视觉与模式识别
2021-03-23 v1 人工智能
机器学习
摘要
我们提出以下问题：设计有效的离群点/分布外（OOD）检测器需要何种训练信息，即检测远离训练分布的样本？由于对许多应用而言未标记数据易于获取，最引人注目的方法是仅基于未标记的分布内数据开发检测器。然而，我们观察到大多数基于未标记数据的现有检测器表现糟糕，常等同于随机预测。相比之下，现有的最先进 OOD 检测器取得了令人印象深刻的性能，但需要访问细粒度数据标签以进行监督训练。我们提出 SSD，一种仅基于未标记分布内数据的离群点检测器。我们使用自监督表示学习，随后在特征空间中基于马氏距离进行检测。我们证明 SSD 以大幅优势优于大多数基于未标记数据的现有检测器。此外，SSD 甚至达到与基于监督训练的检测器相当、有时甚至更优的性能。最后，我们用两个关键扩展拓展我们的检测框架。首先，我们形式化少样本 OOD 检测，其中检测器仅能访问目标 OOD 数据集中每类一到五个样本。其次，我们扩展框架以在可用时纳入训练数据标签。我们发现这种基于 SSD 的新检测框架在这些扩展下展现出增强的性能，并达到了最先进性能。我们的代码公开于 https://github.com/inspire-group/SSD。
引用
@article{arxiv.2103.12051,
title = {SSD: A Unified Framework for Self-Supervised Outlier Detection},
author = {Vikash Sehwag and Mung Chiang and Prateek Mittal},
journal= {arXiv preprint arXiv:2103.12051},
year = {2021}
}
备注
ICLR 2021