SR-OOD: Out-of-Distribution Detection via Sample Repairing

要約

分布外 (OOD) の検出は、機械学習モデルの信頼性と堅牢性を確保するために重要なタスクです。
最近の研究では、生成モデルが OOD サンプルに高い信頼スコアを割り当てることが多く、データの意味情報を捕捉できていないことが示されています。
この問題に取り組むために、我々はサンプル修復を利用し、新しい OOD 検出フレームワーク、すなわち SR-OOD を提案します。
私たちのフレームワークは、OOD サンプルを修復すると、配布中のデータとのセマンティックな矛盾が明らかになる可能性があるという考えを活用しています。
具体的には、私たちのフレームワークは、サンプル修復モジュールと検出モジュールの 2 つのコンポーネントで構成されています。
サンプル修復モジュールは、入力サンプルに侵食を適用し、敵対的生成ネットワークを使用して修復します。
次に、検出モジュールは、距離メトリックを使用して入力サンプルが OOD であるかどうかを判断します。
私たちのフレームワークは、検出のために追加のデータやラベル情報を必要としないため、さまざまなシナリオに適用できます。
私たちは、CIFAR-10、CelebA、Pokemon の 3 つの画像データセットに対して広範な実験を行っています。
結果は、私たちのアプローチが OOD 検出における最先端の生成手法よりも優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

Out-of-distribution (OOD) detection is a crucial task for ensuring the reliability and robustness of machine learning models. Recent works have shown that generative models often assign high confidence scores to OOD samples, indicating that they fail to capture the semantic information of the data. To tackle this problem, we take advantage of sample repairing and propose a novel OOD detection framework, namely SR-OOD. Our framework leverages the idea that repairing an OOD sample can reveal its semantic inconsistency with the in-distribution data. Specifically, our framework consists of two components: a sample repairing module and a detection module. The sample repairing module applies erosion to an input sample and uses a generative adversarial network to repair it. The detection module then determines whether the input sample is OOD using a distance metric. Our framework does not require any additional data or label information for detection, making it applicable to various scenarios. We conduct extensive experiments on three image datasets: CIFAR-10, CelebA, and Pokemon. The results demonstrate that our approach achieves superior performance over the state-of-the-art generative methods in OOD detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google