基于满射规范化流的不确定性量化与分布外检测
机器学习
2023-11-02 v1 应用统计
摘要
在与分布外检测中,认知不确定性与偶然不确定性的可靠量化在模型于某一环境训练却应用于多个不同环境的场景中至关重要,这类情形常见于气候科学或移动性分析等现实应用。我们提出一种利用满射规范化流识别深度神经网络模型中分布外数据集的简单方法,可在单次前向传播中计算。该方法建立在深度不确定性量化与规范化流生成建模的最新进展之上。我们将方法应用于一个由移动性文献中机制模型模拟的合成数据集,以及由该模型上软干预与原子干预诱导的干预分布模拟的若干数据集,证明本方法能可靠区分分布外与分布内数据。我们将满射流模型与狄利克雷过程混合模型及双射流比较,发现满射是可靠区分分布内与分布外数据的关键组件。
引用
@article{arxiv.2311.00377,
title = {Uncertainty quantification and out-of-distribution detection using surjective normalizing flows},
author = {Simon Dirmeier and Ye Hong and Yanan Xin and Fernando Perez-Cruz},
journal= {arXiv preprint arXiv:2311.00377},
year = {2023}
}