面向弱监督分布外检测的拓扑结构学习
计算机视觉与模式识别
2022-09-19 v1 机器学习
摘要
分布外（OOD）检测是在开放世界中安全部署模型的关键。对于 OOD 检测，收集充足的分布内（ID）标注数据通常比无标注数据更耗时且昂贵。当 ID 标注数据有限时，先前的 OOD 检测方法因其对 ID 标注数据量的高度依赖而不再具有优势。基于有限的 ID 标注数据和充足的无标注数据，我们定义了一种称为弱监督分布外检测（WSOOD）的新设定。为解决这一新问题，我们提出了一种称为拓扑结构学习（TSL）的有效方法。首先，TSL 使用对比学习方法来构建 ID 与 OOD 数据的初始拓扑结构空间。其次，TSL 在初始拓扑空间中挖掘有效的拓扑连接。最后，基于有限的 ID 标注数据和挖掘出的拓扑连接，TSL 在新的拓扑空间中重构拓扑结构，以提升 ID 与 OOD 实例的可分离性。在多个代表性数据集上的广泛研究表明，TSL 显著优于当前最优方法，验证了我们的方法在 WSOOD 新设定下的有效性与鲁棒性。
引用
@article{arxiv.2209.07837,
title = {Topological Structure Learning for Weakly-Supervised Out-of-Distribution Detection},
author = {Rundong He and Rongxue Li and Zhongyi Han and Yilong Yin},
journal= {arXiv preprint arXiv:2209.07837},
year = {2022}
}