Das Papier stellt einen neuartigen Rahmen zur Erkennung von Out-of-Distribution (OOD)-Daten vor, der als Multitesting-basierte schichtweise OOD-Erkennung (MLOD) bezeichnet wird.
Der Kern der Methode ist es, die Ergebnisse der Ähnlichkeitsberechnung aus verschiedenen Schichten des neuronalen Netzes zu kombinieren, um Verteilungsverschiebungen zwischen Testdaten und Trainingsdaten zu identifizieren. Dazu werden statistische Mehrfachtestverfahren wie die Benjamini-Hochberg-Prozedur, die adaptive Benjamini-Hochberg-Prozedur, die Benjamini-Yekutieli-Prozedur, Fishers Methode und der Cauchy-Kombinationstest verwendet, um die p-Werte aus den verschiedenen Schichten zu aggregieren und so die Erkennungsleistung zu verbessern.
Die Autoren zeigen in umfangreichen Experimenten, dass MLOD die Leistung bestehender OOD-Erkennungsmethoden, die sich nur auf die Merkmale der letzten Schicht stützen, deutlich übertrifft. Insbesondere die MLOD-Fisher-Methode erzielt hervorragende Ergebnisse und senkt die False-Positive-Rate (FPR) im Vergleich zur Nutzung nur der letzten Schicht signifikant von 24,09% auf 7,47% im Durchschnitt.
翻譯成其他語言
從原文內容
arxiv.org
深入探究