WeShort：基于弱捷径结构的分布外检测
机器学习
2022-08-22 v3
摘要
神经网络在与训练集同分布的数据上取得了令人印象深刻的性能，但对于从未见过的数据可能产生过度自信的错误结果。因此，检测输入是否来自分布外（OOD）对于保障部署在真实世界中神经网络的安全至关重要。本文中，我们提出一种简单有效的后处理技术WeShort，以降低神经网络在OOD数据上的过度自信。我们的方法受内部残差结构观察的启发，该观察显示了OOD与分布内（ID）数据在捷径层中的分离。我们的方法与不同OOD检测分数兼容，并能良好泛化至不同网络架构。我们在多个OOD数据集上展示了方法的竞争性性能，并给出合理解释假设以说明其生效原因。在ImageNet基准上，WeShort在后处理类方法中于假正率（FPR95）和受试者工作特征曲线下面积（AUROC）上均达到了最先进性能。
引用
@article{arxiv.2207.05055,
title = {WeShort: Out-of-distribution Detection With Weak Shortcut structure},
author = {Jinhong Lin},
journal= {arXiv preprint arXiv:2207.05055},
year = {2022}
}
备注
Some bugs causes the fake advantages