用于离群检测的双重表示学习
摘要：来自不同于内部分布样本的分布的外部分布样本可以被分配为意外的高置信度预测，因为它们可以获取最小的强相关信息。为了区分内部和外部分布样本，双重表示学习（Dual Representation Learning，DRL）通过从内部分布样本中同时探索强相关和弱相关信息，使外部分布样本更难以得到高置信度的预测。对于探索强相关信息以学习标签识别表示的预训练网络，DRL训练其辅助网络来探索剩余的弱相关信息以学习分布鉴别表示。具体来说，对于一个标签识别表示，DRL通过集成与标签识别表示相似度较低的多样化表示来构建其互补的分布鉴别表示。因此，DRL结合了标签识别表示和分布鉴别表示来检测外部分布样本。实验证明，DRL在外部分布检测方面优于现有方法。
作者：Zhilin Zhao and Longbing Cao
论文ID：2206.09387
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29