论分布外检测的可学习性
甄芳、李一轩、刘峰、韩波、陆杰; 25(84):1−83, 2024.
摘要
监督学习的目的是在假设训练数据和测试数据来自相同分布的情况下训练分类器。为了简化上述假设，研究人员研究了一个更现实的环境：分布外（OOD）检测，其中测试数据可能来自训练期间未知的课程（即OOD数据）。由于OOD数据的不可用性和多样性，良好的泛化能力对于有效的OOD检测算法至关重要，相应的学习理论仍然是一个有待解决的问题。为了研究OOD检测的泛化，本文研究了符合文献中常用评估指标的OOD检测可能近似正确（PAC）学习理论。首先，我们找到了OOD检测可学习性的必要条件。然后，利用这个条件，我们证明了在某些场景下OOD检测的可学习性的几个不可能定理。虽然不可能性定理令人沮丧，但我们发现这些不可能性定理的某些条件在某些实际场景中可能不成立。基于这一观察，我们接下来给出了几个必要和充分的条件来表征OOD检测在一些实际场景中的可学习性。最后，基于我们的OOD理论，为具有代表性的OOD检测工作提供了理论支持。
[腹肌]
[pdf格式][围兜]
