基于无监督能量方法的 Stiefel 流形受限核机器分布外检测
机器学习
2021-02-18 v1
摘要
检测分布外（OOD）样本是机器学习系统在现实世界中部署的基本要求。迄今为止，基于能量的 OOD 检测器研究集中于来自预训练神经网络分类器的 softmax 置信度分数，且需访问类标签。相反，我们提出了一种利用 Stiefel 流形受限核机器（St-RKM）的无监督基于能量的 OOD 检测器。训练需要最小化一个含自编码器损失项与 RKM 能量的目标函数，其中互联矩阵位于 Stiefel 流形上。此外，我们基于 RKM 框架给出了多种能量函数定义并讨论其效用。在标准数据集的实验中，所提方法优于现有的基于能量的 OOD 检测器与深度生成模型。通过若干消融研究，我们进一步阐明了各提出能量函数对 OOD 检测性能的贡献。
引用
@article{arxiv.2102.08443,
title = {Unsupervised Energy-based Out-of-distribution Detection using Stiefel-Restricted Kernel Machine},
author = {Francesco Tonin and Arun Pandey and Panagiotis Patrinos and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:2102.08443},
year = {2021}
}