面向未见域中有效语义分布外检测：一种域泛化视角
人工智能
2023-09-20 v1
摘要
机器学习中两种普遍的分布偏移是协变量偏移（在不同域间观察到）和语义偏移（在不同类别间观察到）。传统的分布外（OOD）检测技术通常只解决其中一种偏移。然而，真实世界的测试环境往往同时呈现协变量偏移和语义偏移的组合。在本研究中，我们引入了一个新问题——跨域语义OOD检测，它同时应对这两种分布偏移。为此，我们提出了两种正则化策略：域泛化正则化，确保跨域的语义不变性以抵消协变量偏移；以及OOD检测正则化，旨在通过能量边界增强针对语义偏移的OOD检测能力。通过在三个标准域泛化基准上的严格测试，我们提出的框架在OOD检测性能上展示了相对于传统域泛化方法的优越性。此外，它通过保持可比的分布内（InD）分类准确率而站稳了脚跟。
引用
@article{arxiv.2309.10209,
title = {Towards Effective Semantic OOD Detection in Unseen Domains: A Domain Generalization Perspective},
author = {Haoliang Wang and Chen Zhao and Yunhui Guo and Kai Jiang and Feng Chen},
journal= {arXiv preprint arXiv:2309.10209},
year = {2023}
}