针对类不平衡数据的跨域离群检测

以往的离群检测系统仅关注 ID 与 OOD 样本之间的语义差距。除了语义差距之外，我们还面临两个额外的差距：源域与目标域之间的域差异，以及不同类别之间的类别不平衡差距。实际上，来自不同域的相似对象应属于同一类别。在本文中，我们引入一种现实且具挑战性的设定：类别不平衡跨域离群检测(CCOD)，其中包含用于训练的已标记（但通常较小）的源集合，并在用于测试的未标记（但通常较大）的目标集合上进行离群检测。我们不假设目标域仅包含 OOD 类别或是平衡的：目标数据集中各类别的分布不必与源数据集相同。为解决这一具挑战性的设定，本文提出一种基于原型对齐策略的 novel uncertainty-aware adaptive semantic alignment(UASA)网络。具体而言，我们首先在源域构建标签驱动的原型，并利用这些原型进行目标分类以缩小域差距。与使用固定阈值进行离群检测不同，我们生成自适应的样本级阈值以处理语义差距。最后，我们进行不确定性感知的聚类，以分组 semantically similar 的目标样本以缓解类别不平衡差距。在三个具挑战性的基准数据集上进行大量实验表明，我们提出的 UASA 相较于当前方法以显著优势获胜。