用于快速分布外与异常检测的子空间建模
机器学习
2022-03-22 v1
摘要
本文提出了一种快速、有原则的方法，用于检测深度神经网络(DNN)中的异常与分布外(OOD)样本。我们提出对 DNN 产生的语义特征应用线性统计降维技术，以捕获所述特征真正张成的低维子空间。我们表明，“特征重建误差”(FRE)，即高维空间中原始特征与其低维约简嵌入的预图像之间差的 范数，对 OOD 与异常检测极为有效。为推广到任意给定层产生的中间特征，我们通过应用非线性基于核的方法扩展了该方法论。使用标准图像数据集与 DNN 架构的实验表明，我们的方法达到或超越了最佳同类质量性能，但仅需最先进方法所需计算与内存成本的一小部分。它可以被非常高效地训练和运行，即便在传统 CPU 上。
引用
@article{arxiv.2203.10422,
title = {Subspace Modeling for Fast Out-Of-Distribution and Anomaly Detection},
author = {Ibrahima J. Ndiour and Nilesh A. Ahuja and Omesh Tickoo},
journal= {arXiv preprint arXiv:2203.10422},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2012.04250