迈向可靠的 AI 模型部署：用于分布外检测的多输入混合
计算机视觉与模式识别
2023-12-27 v1 人工智能
摘要
近年来深度学习行业的显著成功前所未有地增加了对可靠模型部署的需求。例如，如果生成的模型输出可能不可靠，模型应向用户发出警报。先前的研究提出了各种方法来解决分布外检测问题，但它们通常需要大量资源。在这项工作中，我们提出了一种新颖且简单的方法——多输入混合。我们的方法仅需单轮微调即可帮助提升分布外检测性能。我们的方法不需要从头训练模型，并且可以简单地附加到分类器上。尽管简单，我们的多输入混合方法展示了有竞争力的性能。由于我们的方法仅利用分布内样本生成合成的分布外数据，因此适用于各种环境。通过在分布外检测领域广泛采用的 CIFAR10 和 CIFAR100 基准上进行的大量实验，我们证明了我们的多输入混合方法在综合性能上优于最先进的方法。特别是，与先前研究相比，我们的方法不需要对特征向量进行额外计算。所有源代码公开于 https://github.com/ndb796/MultipleInputMixup。
引用
@article{arxiv.2312.15514,
title = {Towards Reliable AI Model Deployments: Multiple Input Mixup for Out-of-Distribution Detection},
author = {Dasol Choi and Dongbin Na},
journal= {arXiv preprint arXiv:2312.15514},
year = {2023}
}
备注
Accepted to the AAAI 2024 Workshop on Deployable AI (DAI)