CADet: Fully Self-Supervised Out-Of-Distribution Detection With Contrastive Learning

要約

配布外 (OOD) サンプルの処理は、機械学習システムを実際に展開する上で重要な要素となっています。
この研究では、目に見えないクラスと敵対的な摂動という 2 種類の OOD サンプルを同時に検出するための自己教師あり対比学習の使用を検討します。
まず、自己教師あり対比学習と最大平均乖離 (MMD) 2 サンプル検定を組み合わせます。
このアプローチにより、2 つの独立したサンプル セットが同じ分布に由来するかどうかを確実にテストできるようになり、以前の研究よりも高い信頼性で CIFAR-10 と CIFAR-10.1 を区別することでその有効性を実証できました。
この成功をきっかけに、単一サンプルの OOD 検出のための新しい方法である CADet (Contrastive Anomaly Detection) を導入します。
CADet は MMD からインスピレーションを得ていますが、同じサンプルの対照的な変換間の類似性を利用しています。
CADet は、ImageNet 上で敵対的に摂動されたサンプルを特定する際に既存の敵対的検出手法を上回り、ImageNet-O と iNaturalist という 2 つの困難なベンチマークで目に見えないラベル検出手法と同等のパフォーマンスを達成します。
重要なのは、CADet は完全に自己監視されており、配布中のサンプルのラベルも OOD サンプルへのアクセスも必要ありません。

要約(オリジナル)

Handling out-of-distribution (OOD) samples has become a major stake in the real-world deployment of machine learning systems. This work explores the use of self-supervised contrastive learning to the simultaneous detection of two types of OOD samples: unseen classes and adversarial perturbations. First, we pair self-supervised contrastive learning with the maximum mean discrepancy (MMD) two-sample test. This approach enables us to robustly test whether two independent sets of samples originate from the same distribution, and we demonstrate its effectiveness by discriminating between CIFAR-10 and CIFAR-10.1 with higher confidence than previous work. Motivated by this success, we introduce CADet (Contrastive Anomaly Detection), a novel method for OOD detection of single samples. CADet draws inspiration from MMD, but leverages the similarity between contrastive transformations of a same sample. CADet outperforms existing adversarial detection methods in identifying adversarially perturbed samples on ImageNet and achieves comparable performance to unseen label detection methods on two challenging benchmarks: ImageNet-O and iNaturalist. Significantly, CADet is fully self-supervised and requires neither labels for in-distribution samples nor access to OOD examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google