在其自然栖息地中训练OOD检测器
机器学习
2022-06-30 v2 人工智能
摘要
分布外（OOD）检测对于部署在真实环境中的机器学习模型十分重要。近期的方法利用辅助离群数据来正则化模型以改进OOD检测。然而，这些方法做出了一个很强的分布假设，即辅助离群数据与分布内（ID）数据完全可分离。在本文中，我们提出了一种新颖的框架，利用自然由ID和OOD样本共同组成的野生混合数据。此类野生数据十分丰富，并在机器学习分类器部署于其自然栖息地时免费产生。我们的核心思想是构建一个约束优化问题，并展示如何可处理地求解它。我们的学习目标在ID数据分类误差和ID样本的OOD误差率约束下，最大化OOD检测率。我们在常见的OOD检测任务上广泛评估了我们的方法，并展示了优越的性能。
引用
@article{arxiv.2202.03299,
title = {Training OOD Detectors in their Natural Habitats},
author = {Julian Katz-Samuels and Julia Nakhleh and Robert Nowak and Yixuan Li},
journal= {arXiv preprint arXiv:2202.03299},
year = {2022}
}
备注
Accepted to International Conference on Machine Learning (ICML) 2022