BriefGPT - AI 论文速递
·
野外数据集中的基于能量的实例尺度调整的不确定性校准
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一个使用能量分数的ODD检测的统一框架，能够更好地识别“内部”和“外部”数据。与传统方法相比，使用能量分数可以降低18.03％的平均FPR，并在常见基准上表现优异。
🎯
关键要点
- 在开放世界中安全部署机器学习模型的基础是确定输入是否为ODD。
- 传统的基于softmax置信度得分的方法在ODD数据的后验分布上存在过度自信的问题。
- 本文提出了一个使用能量分数的ODD检测统一框架，能够更好地识别内部和外部数据。
- 该框架灵活地将能量用作得分函数和OOR检测的可训练成本函数。
- 与CIFAR-10预训练的WideResNet相比，使用能量分数将平均FPR降低了18.03%。
- 使用基于能量的训练，我们的方法在常见基准上表现优异。
➡️
