马哈拉诺比斯距离为何对异常检测有效？
机器学习
2020-05-01 v2 计算机视觉与模式识别
机器学习
摘要
基于马哈拉诺比斯距离的置信度评分是近期提出的一种用于预训练神经分类器的异常检测方法，在分布外（OoD）样本与对抗样本检测上均取得了最先进的性能。本工作分析了该方法为何在实际设定中表现出如此强劲的性能，尽管其施加了一个难以成立的假设，即预训练特征的类条件分布具有共同协方差。尽管基于马哈拉诺比斯距离的方法声称受分类预测置信度启发，我们发现其优越性能源于对分类无用的信息。这表明马哈拉诺比斯置信度评分奏效的原因被误解了，且其利用了与 ODIN（另一种基于预测置信度的流行 OoD 检测方法）不同的信息。这一视角促使我们将这两种方法结合，所得组合检测器表现出更优的性能与鲁棒性。这些发现为神经分类器对异常输入的响应行为提供了见解。
引用
@article{arxiv.2003.00402,
title = {Why is the Mahalanobis Distance Effective for Anomaly Detection?},
author = {Ryo Kamoi and Kei Kobayashi},
journal= {arXiv preprint arXiv:2003.00402},
year = {2020}
}