【NeurIPS2023】利用扩散模型进行异常值想象

利用辅助的异常值数据集来规范机器学习模型对于检测分布外（OOD）数据和安全预测已展现出潜力。由于数据收集和清理的劳动强度，自动生成异常值数据一直是一个长期渴望的替代方案。尽管有吸引力，但在高维像素空间生成照片逼真的异常值一直是该领域的一个开放性挑战。为了解决这个问题，本文提出了一种新的框架DREAM-OOD，它能够通过扩散模型，仅使用分布内（ID）数据和类别，来想象照片逼真的异常值。具体来说，DREAM-OOD基于ID数据学习了一个文本条件的潜在空间，然后通过潜在在低可能性区域抽样异常值，这些可以通过扩散模型解码成图像。与以前的工作[18，98]不同，DREAM-OOD可以直接在像素空间中可视化和理解想象出来的异常值。我们进行了全面的定量和定性研究以理解DREAM-OOD的功效，并表明，使用DREAM-OOD生成的样本进行训练可以提高OOD检测性能。代码可在 https://github.com/deeplearning-wisc/dream-ood 公开获取。