通过内部数据的跨类邻域分布进行外域检测
摘要：使用于图像分类的深度神经网络仅在训练中学习将输入映射到相应的真实标签，而不能区分来自分布内和分布外的样本。这是基于所有样本独立且同分布（IID）的假设而导致的。因此，从分布内样本中学习的预训练网络将分布外样本视为分布内样本，并在测试阶段对其进行高置信度的预测。为了解决这个问题，我们从训练分布内样本的邻域分布中提取分布外样本以学习拒绝对分布外输入的预测。引入了一个“交叉类邻域分布”，假设通过混合多个分布内样本生成的分布外样本与其组成部分不共享相同的类别。因此，我们通过使用从交叉类邻域分布中提取的分布外样本对预训练网络进行微调，从而提高了其区分能力，其中每个分布外输入对应一个互补标签。在各种分布内/分布外数据集上的实验证明，所提出的方法在提高区分分布内和分布外样本能力方面显著优于现有方法。
作者：Zhilin Zhao and Longbing Cao and Kun-Yu Lin
论文ID：2206.09385
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29