为何应将训练与训练后方法结合用于分布外检测？
机器学习
2019-12-09 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络在分类任务中已知可取得优越结果。然而，近期研究表明，它们无法检测由不同于训练所用分布生成的样本，因为它们对分布外（OOD）样本做出了过度自信的预测。OOD检测近期吸引了大量关注。在本文中，我们回顾了OOD检测领域一些最具开创性的近期算法，将这些方法划分为训练类和训练后类，并通过实验展示了前者与后者结合如何在OOD检测任务中取得最先进的（SOTA）结果。
引用
@article{arxiv.1912.03133,
title = {Why Should we Combine Training and Post-Training Methods for Out-of-Distribution Detection?},
author = {Aristotelis-Angelos Papadopoulos and Nazim Shaikh and Mohammad Reza Rajati},
journal= {arXiv preprint arXiv:1912.03133},
year = {2019}
}
备注
Preprint, 9 pages. arXiv admin note: text overlap with arXiv:1906.03509