您的分类器可以暗中成为基于似然的分布外检测器
机器学习
2024-08-12 v1 机器学习
摘要
检测分布外（OOD）输入的能力对于保证部署在开放环境中的分类模型的可靠性至关重要。OOD检测的一个基本挑战是，判别式分类器通常被训练用于估计给定输入z时类别y的后验概率p(y|z)，但缺乏OOD检测所需的理想显式似然估计p(z)。虽然已为分类模型提出了众多OOD评分函数，但这些估计分数通常是启发式的，无法被严格解释为似然。为了弥合这一差距，我们提出了内在似然（INK），它为现代基于判别式的分类器提供了严格的似然解释。具体而言，我们提出的INK分数作用于判别式分类器的约束潜嵌入，这些嵌入被建模为具有恒定范数的超球面嵌入的混合。我们在超球面分布与内在似然之间建立了新的联系，后者可以在现代神经网络中有效优化。在OpenOOD基准上的大量实验经验性地证明，INK在多种OOD检测设置中建立了新的最先进水平，包括远OOD和近OOD。代码可在 https://github.com/deeplearning-wisc/ink 获取。
引用
@article{arxiv.2408.04851,
title = {Your Classifier Can Be Secretly a Likelihood-Based OOD Detector},
author = {Jirayu Burapacheep and Yixuan Li},
journal= {arXiv preprint arXiv:2408.04851},
year = {2024}
}