基于树的集成学习用于分布外检测
机器学习
2024-05-07 v1
摘要
在将大多数机器学习模型安全地部署到实践中之前，能够成功确定测试样本是否与训练样本具有相似分布是一个基本问题。在本文中，我们提出了TOOD检测，一种简单而有效的基于树的分布外检测机制，用于确定一组未见过的样本是否与训练样本具有相似分布。TOOD检测机制基于计算测试样本树嵌入的成对汉明距离，这些嵌入是通过使用分布内训练样本拟合基于树的集成模型获得的。我们的方法因其基于树的特性而具有可解释性和鲁棒性。此外，我们的方法高效、灵活，适用于各种机器学习任务，并且可以轻松推广到无监督设置。大量实验表明，在区分各种表格、图像和文本数据的分布内与分布外方面，所提出的方法优于其他最先进的分布外检测方法。
引用
@article{arxiv.2405.03060,
title = {Tree-based Ensemble Learning for Out-of-distribution Detection},
author = {Zhaiming Shen and Menglun Wang and Guang Cheng and Ming-Jun Lai and Lin Mu and Ruihao Huang and Qi Liu and Hao Zhu},
journal= {arXiv preprint arXiv:2405.03060},
year = {2024}
}