任务无关且事后处理的未知分布检测
机器学习
2022-07-27 v1 人工智能
计算机视觉与模式识别
摘要
尽管分布外（OOD）检测、异常检测和不确定性估计任务近期取得进展，但仍不存在任务无关且事后处理的方法。为弥补此局限，我们设计了一种新颖的基于聚类的集成方法，称为任务无关且事后处理的未知分布检测（TAPUDD），它利用在特定任务上训练的模型所提取的特征。具体而言，它包括TAP-Mahalanobis，其对训练数据集特征聚类并确定测试样本距所有聚类的最小马氏距离。进一步，我们提出集成模块，聚合针对不同聚类数迭代计算TAP-Mahalanobis的结果，以提供可靠高效的聚类计算。通过在合成和真实世界数据集上的大量实验，我们观察到我们的方法能跨多样任务有效检测未知样本，并优于或与现有基线持平。为此，我们消除了确定聚类数最优值的必要，并证明我们的方法对大规模分类任务更可行。
引用
@article{arxiv.2207.13083,
title = {Task Agnostic and Post-hoc Unseen Distribution Detection},
author = {Radhika Dua and Seongjun Yang and Yixuan Li and Edward Choi},
journal= {arXiv preprint arXiv:2207.13083},
year = {2022}
}