On the Usefulness of Deep Ensemble Diversity for Out-of-Distribution Detection

要約

分散外（OOD）データを検出する機能は、ディープラーニングのセーフティクリティカルなアプリケーションで重要です。
目的は、深いニューラルネットワークから抽出された不確実性の尺度を使用して、トレーニング分布から抽出された分布内（ID）データをOODデータから分離することです。
ディープアンサンブルは、ディープニューラルネットワークによって生成される不確実性推定の品質を向上させる確立された方法であり、単一モデルと比較して優れたOOD検出パフォーマンスを備えていることが示されています。
文献の既存の直感では、Deep Ensemble予測の多様性は分布のシフトを示しているため、相互情報量（MI）などの多様性の測定値をOOD検出に使用する必要があります。
この直感はImageNetスケールのOOD検出では有効ではないことを実験的に示しています。MIを使用すると、一部のOODデータセットの単一モデルエントロピーと比較して％FPR @ 95が30〜40％悪化します。
Deep Ensemblesの優れたOOD検出パフォーマンスの代替説明を提案します。OOD検出はバイナリ分類であり、さまざまな分類器をアンサンブルしています。
そのため、実際には、アンサンブル全体のエネルギーなどのタスク固有の検出スコアを平均することにより、ディープアンサンブルでさらに優れたOOD検出パフォーマンスを達成できることを示します。

要約(オリジナル)

The ability to detect Out-of-Distribution (OOD) data is important in safety-critical applications of deep learning. The aim is to separate In-Distribution (ID) data drawn from the training distribution from OOD data using a measure of uncertainty extracted from a deep neural network. Deep Ensembles are a well-established method of improving the quality of uncertainty estimates produced by deep neural networks, and have been shown to have superior OOD detection performance compared to single models. An existing intuition in the literature is that the diversity of Deep Ensemble predictions indicates distributional shift, and so measures of diversity such as Mutual Information (MI) should be used for OOD detection. We show experimentally that this intuition is not valid on ImageNet-scale OOD detection — using MI leads to 30-40% worse %FPR@95 compared to single-model entropy on some OOD datasets. We suggest an alternative explanation for Deep Ensembles’ better OOD detection performance — OOD detection is binary classification and we are ensembling diverse classifiers. As such we show that practically, even better OOD detection performance can be achieved for Deep Ensembles by averaging task-specific detection scores such as Energy over the ensemble.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google