变分自编码器的指数倾斜高斯先验
机器学习
2022-04-14 v3 计算机视觉与模式识别
机器学习
摘要
深度神经网络的一个重要性质是能够对先前未见过的数据进行鲁棒的分布外检测。在将模型部署于现实应用时，该性质对安全性至关重要。近期研究表明，概率生成模型在此任务上表现不佳，这令人惊讶，因为它们旨在估计训练数据的似然。为缓解此问题，我们提出用于变分自编码器（VAE）的指数倾斜高斯先验分布，该先验将隐空间中的点拉到超球面表面上。仅使用VAE自然赋予的对数似然，该方法在曲线下面积-接收者操作特征度量上取得了最先进的结果。由于该先验是对传统VAE先验的简单修改，它比竞争方法更快且更易实现。
引用
@article{arxiv.2111.15646,
title = {The Exponentially Tilted Gaussian Prior for Variational Autoencoders},
author = {Griffin Floto and Stefan Kremer and Mihai Nica},
journal= {arXiv preprint arXiv:2111.15646},
year = {2022}
}