VOS：通过虚拟离群点合成学习未知分布外数据
机器学习
2022-05-11 v4 计算机视觉与模式识别
摘要
由于神经网络安全部署的重要性，分布外（OOD）检测近来备受关注。关键挑战之一是模型缺乏来自未知数据的监督信号，从而可能对OOD数据产生过度自信的预测。已有方法依赖真实离群数据集进行模型正则化，这在实际应用中可能代价高昂且有时难以获取。本文提出VOS，一种通过自适应合成虚拟离群点来正则化训练过程中模型决策边界的OOD检测新框架。具体而言，VOS从特征空间中估计的类条件分布的低似然区域采样虚拟离群点。同时，我们引入一种新颖的未知感知训练目标，对比性地塑造ID数据与合成离群数据之间的不确定性空间。VOS在目标检测与图像分类模型上均取得具有竞争力的性能，在目标检测器上相较先前最优方法将FPR95降低至多9.36%。代码见 https://github.com/deeplearning-wisc/vos。
引用
@article{arxiv.2202.01197,
title = {VOS: Learning What You Don't Know by Virtual Outlier Synthesis},
author = {Xuefeng Du and Zhaoning Wang and Mu Cai and Yixuan Li},
journal= {arXiv preprint arXiv:2202.01197},
year = {2022}
}
备注
ICLR 2022