Energy Correction Model in the Feature Space for Out-of-Distribution Detection

要約

この研究では、事前にトレーニングされた深層分類器の特徴空間を使用して、分布外 (OOD) 検出問題を研究します。
エネルギーベース モデル (EBM) を使用して分布内 (ID) 特徴の密度を学習すると、競合する検出結果が得られることを示します。
ただし、EBM のトレーニング中に MCMC サンプリングが混合されないと、検出パフォーマンスが損なわれることがわかりました。
これを克服するには、クラス条件付きガウス分布の混合をエネルギーベースで補正します。
CIFAR-10/CIFAR-100 OOD 検出ベンチマークの KNN 検出器のような強力なベースラインと比較すると、良好な結果が得られます。

要約(オリジナル)

In this work, we study the out-of-distribution (OOD) detection problem through the use of the feature space of a pre-trained deep classifier. We show that learning the density of in-distribution (ID) features with an energy-based models (EBM) leads to competitive detection results. However, we found that the non-mixing of MCMC sampling during the EBM’s training undermines its detection performance. To overcome this an energy-based correction of a mixture of class-conditional Gaussian distributions. We obtains favorable results when compared to a strong baseline like the KNN detector on the CIFAR-10/CIFAR-100 OOD detection benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google