UQGAN：一种基于条件 GAN 训练的深度分类器不确定性量化统一模型
计算机视觉与模式识别
2023-01-10 v5
摘要
我们提出了一种基于生成对抗网络（GAN）的方法，用于量化图像分类中深度神经网络的偶然不确定性和认知不确定性。文献中使用 GAN 生成分布外（OoD）样本的大多数工作仅关注 OoD 检测的评估，而我们提出了一种基于 GAN 的方法来学习分类器，该分类器能够为 OoD 样本以及假阳性（FP）生成适当的不确定性。当前最先进的方法是用 GAN 生成的 OoD 样本屏蔽整个分布内数据，与此不同，我们使用由条件 GAN 生成的类外样本分别屏蔽每个类，并用一对其多（one-vs-all）图像分类器对其进行补充。在我们的实验中，特别是在 CIFAR10、CIFAR100 和 Tiny ImageNet 上，我们改进了基于最先进 GAN 训练的分类器在 OoD 检测和 FP 检测方面的性能。此外，我们还发现，生成的 GAN 样本不会显著影响分类器的校准误差，并能使模型准确率获得显著提升。
引用
@article{arxiv.2201.13279,
title = {UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs},
author = {Philipp Oberdiek and Gernot A. Fink and Matthias Rottmann},
journal= {arXiv preprint arXiv:2201.13279},
year = {2023}
}