面向领域迁移的新颖度检测主体信息提取
计算机视觉与模式识别
2026-03-24 v2
摘要
无监督新颖检测（UND）旨在识别新样本，在医疗诊断、网络安全和工业质量控制等领域至关重要。大多数现有UND方法假设训练数据和测试正常数据来自同一领域，仅考虑训练数据与测试数据之间的分布变化。然而，在实际场景中，正常测试数据和训练数据常常来自不同领域，这是一种称为领域迁移的挑战。训练和测试数据之间的差异常常导致现有方法将正常数据错误地识别为新颖数据。典型情况是测试正常数据和训练数据描述相同的主体，但在背景条件上存在差异。为解决此问题，我们提出了一种新方法，通过分离主体信息与背景变化来封装领域信息，从而增强在领域迁移下的检测性能。该方法最小化主体表示与背景表示之间的相互信息，同时使用深度高斯混合模型对背景变化建模，其中在仅针对主体表示上进行新颖检测，从而不受域变化的影响。广泛的实验表明，该模型能够有效地泛化到未见的领域，并在显著的训练和测试数据之间存在领域迁移时显著优于基线方法。
引用
@article{arxiv.2504.21247,
title = {Subject Information Extraction for Novelty Detection with Domain Shifts},
author = {Yangyang Qu and Dazhi Fu and Jicong Fan},
journal= {arXiv preprint arXiv:2504.21247},
year = {2026}
}