ICMLJul, 2021

贝叶斯自编码器：分析和修复伯努利似然函数实现的非分布检测问题

PDF
TL;DR该论文提出利用贝叶斯版本的自编码器和替代分布来解决使用伯努利似然函数检测 FashionMNIST 和 MNIST 数据集时可能会失败的问题。
autoencoderlikelihoodout-of-distributionbayesian versionalternative distributions
发现论文，激发创造
  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 贝叶斯神经网络在区别领域之外的检测上固有优势吗？

    本研究探讨了利用简单神经网络结构进行贝叶斯推断用于 out-of-distribution 检测的做法的有限性，发现在使用有限宽度网络时，贝叶斯神经网络不能有效地检测 out-of-distribution 数据。

    Jul, 2021

  • 可能性失误：变分自编码器的异常检测分数

    本研究提出了一种基于 Variational Auto-encoders 的有效的异常检测方法 Likelihood Regret，并在现有的检测方法基础上进行了实验，结果表明我们的方法在 VAEs 上具有最佳的异常检测性能。

    Mar, 2020

  • 约束归一化下的自编码

    提出了一种基于自编码器构建的标准化概率模型 ——Normalized Autoencoder (NAE)，通过抑制负样本的重构实现规范化，并显著提高了异常检测性能。

    May, 2021

  • 近似后验推断对贝叶斯深度学习在对抗和越界设置中的影响

    本研究旨在探索深度学习模型的不确定性量化方法，并考虑基于贝叶斯推理的模型在 OoD 检测中的表现，结果显示在某些情况下，这种模型略高于传统的深度神经网络，对于对新输入的敏感性的原因进行研究，并对对抗噪声鲁棒性的影响进行了研究。

    Sep, 2020

  • 用于识别样本分布外点的似然比

    研究讨论了关于基于基因组序列的细菌识别的 out-of-distribution (OOD) inputs 问题，提出了用于深度生成模型的似然比方法来纠正背景统计数据偏差，并在 genomics 数据集上进行了实验。结果表明，我们的方法在 OOD 检测方面取得了最好的性能，并且我们证明了该方法的广泛适用性。

    Jun, 2019

  • 一个用于数据质量保证中的离群检测的新的统计度量

    使用深度学习技术进行特征表示，并开发一种新的统计测量方法进行 OOD 检测。研究通过与其他常见统计测量方法进行比较分析，验证了研究在 OOD 和 AIQM 研究中的可行性和有效性。

    Oct, 2023

  • 层级 VAE 知道它们不知道的

    深度生成模型的密度估计已被证明是最先进的，但最近的研究发现，它们通常会分配更高的似然性给训练分布之外的数据，此行为是由于偏差所致，本文通过分层变分自编码器提供了证据来解释这种行为，我们认为这是预期和期望的行为，掌握这一洞见后，我们设计了一种快速、可扩展且完全无监督的似然比分数用于 ODD 检测，并在大量数据和模型组合上进行了基准测试，获得了最佳实验结果。

    Feb, 2021

  • 分类器中的数据分布外检测 via 生成

    本文中，我们通过研究生成 “有效” 的 OOD 样本的复杂性，分析了调整之前的方法的可行性。我们提出了一种使用流形学习网络（例如变分自编码器）生成这些样本的新算法，然后训练一个 $n+1$ 分类器来检测 OOD，其中第 $n+1$ 类代表 OOD 样本。我们在 MNIST 和 Fashion-MNIST 数据集上将我们的方法与几种最近的基于分类器的 OOD 检测器进行了比较，实验表明我们的方法总体上表现更好。

    Oct, 2019

  • 使用软布朗偏移取样和自编码器进行超范围检测和生成

    本文提出了一种新的方法，通过自动编码器和软布朗运动偏移方法，基于给定的分布数据集生成足够接近真实数据的数据集，并用于改善深度神经网络的过度自信和提高其性能。该方法可以用于时间序列和 MNIST 数据集等数据的实验，并成功改善了这些数据的缺陷以及自动驾驶轨迹预测算法的效果验证。

    May, 2021