面向最大化域内与分布外样本表示间隙的方法
机器学习
2021-01-07 v2 人工智能
摘要
在现有的不确定性估计方法中，狄利克雷先验网络（DPN）对不同预测不确定性类型进行了明确建模。然而，对于在多类中具有较髙数据不确定性的域内样本，即便是 DPN 模型也常产生与分布外（OOD）样本难以区分的表示，损害其 OOD 检测性能。我们通过为 DPN 提出一种新颖的损失函数来解决这一缺陷，以最大化域内与 OOD 样本之间的“表示间隙”。实验结果表明，我们提出的方法持续提升了 OOD 检测性能。
引用
@article{arxiv.2010.10474,
title = {Towards Maximizing the Representation Gap between In-Domain & Out-of-Distribution Examples},
author = {Jay Nandy and Wynne Hsu and Mong Li Lee},
journal= {arXiv preprint arXiv:2010.10474},
year = {2021}
}
备注
Accepted at NeurIPS 2020 Workshop version: ICML UDL 2020, Link: http://www.gatsby.ucl.ac.uk/~balaji/udl2020/accepted-papers/UDL2020-paper-134.pdf