Hypercone Assisted Contour Generation for Out-of-Distribution Detection

要約

分布外 (OOD) 検出の分野における最近の進歩では、このタスクに適したより適切な表現を学習することに重点が置かれています。
距離ベースのアプローチはありますが、分布の認識がパフォーマンス向上のために活用されることはほとんどありません。
我々は、データに関する分布の仮定を行わず、その分布に自動的に適応する新しい OOD 検出方法である HAC$_k$-OOD を紹介します。
具体的には、HAC$_k$-OOD は、特定のデータポイントの近傍にある隣接データポイントまでの角距離を最大化し、分布内 (ID) データポイントが存在する輪郭を近似することによってハイパーコーンのセットを構築します。
実験結果は、OOD パフォーマンスを明示的にトレーニングすることなく、困難な CIFAR-100 ベンチマークでの Near-OOD 検出および Far-OOD 検出における最先端の FPR@95 および AUROC パフォーマンスを示しています。

要約(オリジナル)

Recent advances in the field of out-of-distribution (OOD) detection have placed great emphasis on learning better representations suited to this task. While there are distance-based approaches, distributional awareness has seldom been exploited for better performance. We present HAC$_k$-OOD, a novel OOD detection method that makes no distributional assumption about the data, but automatically adapts to its distribution. Specifically, HAC$_k$-OOD constructs a set of hypercones by maximizing the angular distance to neighbors in a given data-point’s vicinity to approximate the contour within which in-distribution (ID) data-points lie. Experimental results show state-of-the-art FPR@95 and AUROC performance on Near-OOD detection and on Far-OOD detection on the challenging CIFAR-100 benchmark without explicitly training for OOD performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google