AAAIJun, 2022

汇集重构误差用于外部分布检测

PDF
TL;DR本文提出了一种新的方法，即基于重构误差聚合探测器 (READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的 ID 和 OOD 样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的 OOD 检测算法相比，我们的方法不需要接触测试时间 OOD 数据来微调超参数，并且在对 CIFAR-10 进行广泛比较时，我们的方法将平均 FPR@95TPR 降低了高达 9.8％。
out-of-distributionclassifierautoencoderinconsistencydetection performance
发现论文，激发创造
  • 用于单目深度估计的区外检测

    基于重构误差，我们提出了一种检测 encoder-decoder 深度估计模型中的 out-of-distribution 图像的方法，并通过实验证明其在不同模型上的性能优于现有的不确定性估计方法，而无需修改已训练的 encoder-decoder 深度估计模型。

    Aug, 2023

  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • OODformer: 异常检测变形金刚

    该论文提出了一种名为 OODformer 的新型 OOD 检测架构，利用 transformer 的上下文能力来区分内部分布和 OOD 样本，通过视觉注意力利用上下文嵌入提高了分类的通用性，在 CIFAR-10 /-100 和 ImageNet30 上取得了新的最先进成果。

    Jul, 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

  • NODI: 带有扩散噪声的离群检测

    采用扩散过程将提供整个训练集的信息纳入预测的噪声向量中，并推导出噪声向量的闭合解，将噪声向量转化为用于度量 OOD 的得分。通过在 OOD 基准测试上对比深度模型预测的噪声向量和闭合解噪声向量的表现，我们的方法在所有类型的图像编码器中胜过以前的 OOD 方法，其中使用 MAE-based 图像编码器达到了 3.5％的性能提升，并且通过应用不同类型的图像编码器来研究 OOD 方法的健壮性，我们的方法在所有图像编码器中表现出良好的鲁棒性。

    Jan, 2024

  • MOODv2：面罩图像建模用于超出分布检测

    主要研究了有效的离域检测的关键是获取一个稳健的域内表示，与离域样本有所区别；通过对不同的预训练任务和离域得分函数进行全面分析，发现通过重构预训练的特征表示显著增强了性能，并缩小了各个得分函数之间的性能差距。

    Jan, 2024

  • 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

  • RODD: 自监督方法用于强健的越界检测

    该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

    Apr, 2022

  • 预训练变换器的对比分布外检测

    本文提出了一种使用只有训练集数据的预训练 Transformer 进行无监督的离群检测方法，该方法使用对比度损失调整 Transformer。最终使用马哈拉诺比斯距离来检测异常数据，实验表明，本文方法的性能超过了基准线，并且更紧凑的表示方法是改进的基础。

    Apr, 2021

  • OOD 感知的有监督对比学习

    使用 SupCon 训练从训练分布中识别外分布样本是机器学习模型安全部署中的重要问题。我们在这项工作中运用强大的 SupCon 学习表征，并提出了一种全面的方法来学习对 OOD 数据稳健的分类器。我们通过增加两个对比项来扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开，而不对辅助数据的相似性产生任何约束。第二个项将 OOD 特征远离现有类原型，并将 ID 表征推近其对应的类原型。当辅助 OOD 数据不可用时，我们提出了特征混合技术来高效生成伪 OOD 特征。我们的解决方案简单高效，作为闭集监督对比表征学习的自然扩展。我们在常见基准测试中与不同的 OOD 检测方法进行了比较，并展示了最先进的结果。

    Oct, 2023