已经提出了许多基于神经网络的分布(OOD)检测方法。但是,他们需要每个目标任务的许多培训数据。我们提出了一种简单而有效的元学习方法,可以在目标任务中使用小的分布数据检测OOD。使用提出的方法,通过潜在空间中的密度估计进行OOD检测。所有任务之间共享的神经网络用于灵活地将原始空间中的实例映射到潜在空间。对神经网络进行元学习,以便通过使用不同于目标任务的各种任务来提高预期的OOD检测性能。这种元学习过程使我们能够在潜在空间中获得适当的代表,以进行OOD检测。为了进行密度估计,我们使用每个类别的高斯混合模型(GMM)。我们可以通过最大化可能性,以封闭形式调整GMM参数在每个任务中的分布数据。由于封闭形式的解决方案是可区分的,因此我们可以通过将溶液纳入元学习目标函数来有效地使用随机梯度下降方法进行元学习。在使用六个数据集的实验中,我们证明了所提出的方法比现有的元学习和OOD检测方法更好的性能。
translated by 谷歌翻译