Nearest Neighbor Guidance for Out-of-Distribution Detection

要約

オープンワールド環境にデプロイされた機械学習モデルにとって、配布外 (OOD) サンプルの検出は非常に重要です。
分類子ベースのスコアは、きめ細かい検出機能があるため、OOD 検出の標準的なアプローチです。
ただし、これらのスコアは多くの場合、分布内領域から離れた OOD サンプルを誤って分類するという過信の問題に悩まされます。
この課題に対処するために、データ多様体の境界ジオメトリを尊重するように分類子ベースのスコアをガイドする最近傍ガイダンス (NNGuide) と呼ばれる方法を提案します。
NNGuide は、分類子ベースのスコアのきめ細かい機能を維持しながら、OOD サンプルの過信を軽減します。
私たちは、ID データが自然な分布シフトを受けるシナリオなど、さまざまな設定の下で ImageNet OOD 検出ベンチマークに関する広範な実験を実施しています。
私たちの結果は、NNGuide が基本検出スコアのパフォーマンスを大幅に向上させ、AUROC、FPR95、および AUPR メトリクスの両方で最先端の結果を達成していることを示しています。
コードは \url{https://github.com/roomo7time/nnguide} にあります。

要約(オリジナル)

Detecting out-of-distribution (OOD) samples are crucial for machine learning models deployed in open-world environments. Classifier-based scores are a standard approach for OOD detection due to their fine-grained detection capability. However, these scores often suffer from overconfidence issues, misclassifying OOD samples distant from the in-distribution region. To address this challenge, we propose a method called Nearest Neighbor Guidance (NNGuide) that guides the classifier-based score to respect the boundary geometry of the data manifold. NNGuide reduces the overconfidence of OOD samples while preserving the fine-grained capability of the classifier-based score. We conduct extensive experiments on ImageNet OOD detection benchmarks under diverse settings, including a scenario where the ID data undergoes natural distribution shift. Our results demonstrate that NNGuide provides a significant performance improvement on the base detection scores, achieving state-of-the-art results on both AUROC, FPR95, and AUPR metrics. The code is given at \url{https://github.com/roomo7time/nnguide}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google