BriefGPT - AI 论文速递
·
长尾学习中的异常检测的表示范数增强
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
研究发现，神经网络训练分类数据集时，隐藏层特征的向量范数对于分布内样本更高，对于分布外样本较低。提出了一种新的负向感知范数(NAN)，能够捕捉到隐藏层神经元的激活和去激活倾向。实验证明NAN在分布外检测和无标签环境中有效。
🎯
关键要点
- 神经网络训练分类数据集时，隐藏层特征的向量范数对于分布内样本更高，对于分布外样本较低。
- 特征范数是网络层中分类器隐藏的置信值，可以检测各种判别模型下的分布外样本。
- 传统特征范数无法捕捉隐藏层神经元的去激活倾向，可能导致误识别。
- 提出了一种新的负向感知范数(NAN)，能够捕捉隐藏层神经元的激活和去激活倾向。
- 实验证明NAN在分布外检测和无标签环境中有效。
➡️
