Out-of-Distribution Detection with Class Ratio Estimation

要約

密度ベースの分布外（OOD）検出は、最近、OOD画像の検出というタスクに対して信頼性がないことが示されている。密度比に基づく様々なアプローチは経験的に良好な性能を達成しているが、その方法は一般的に原理的な確率論的モデル化の説明を欠いている。本研究では、エネルギーに基づくモデルを構築し、異なるベース分布を用いる新しいフレームワークの下で密度比に基づく手法を統一することを提案する。このフレームワークでは、密度比は暗黙的な意味分布の非正規化密度とみなすことができる。さらに、クラス比推定により、データサンプルの密度比を直接推定することを提案する。我々は、OOD画像問題において、深層生成モデルの学習を必要とする最近の研究と比較し、競争力のある結果を報告する。我々のアプローチは、OOD検出問題の解決に向けたシンプルかつ効果的な道筋を可能にする。

要約(オリジナル)

Density-based Out-of-distribution (OOD) detection has recently been shown unreliable for the task of detecting OOD images. Various density ratio based approaches achieve good empirical performance, however methods typically lack a principled probabilistic modelling explanation. In this work, we propose to unify density ratio based methods under a novel framework that builds energy-based models and employs differing base distributions. Under our framework, the density ratio can be viewed as the unnormalized density of an implicit semantic distribution. Further, we propose to directly estimate the density ratio of a data sample through class ratio estimation. We report competitive results on OOD image problems in comparison with recent work that alternatively requires training of deep generative models for the task. Our approach enables a simple and yet effective path towards solving the OOD detection problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL