分布外（OOD）检测¶

从一个训练好的神经网络分类器开始，可以拟合以下模型之一，以帮助区分分布内和分布外的输入。

class fortuna.ood_detection.mahalanobis.MalahanobisOODClassifier(*args, **kwargs)[来源]¶

假设一个softmax神经分类器\(f(\mathbf{x})\)的预训练特征遵循一个具有共享协方差矩阵\(\mathbf{\Sigma}\)的类条件高斯分布：

\[\mathbb{P}(f(\mathbf{x})|y=k) = \mathcal{N}(f(\mathbf{x})|\mu_k, \mathbf{\Sigma})\]

对于所有 \(k \in {1,...,K}\)，其中 \(K\) 是类别数量。

新测试样本 \(\mathbf{x}\) 的置信度分数 \(M(\mathbf{x})\) 是通过计算 \(f(\mathbf{x})\) 与拟合的类高斯分布之间的最大（平方）马氏距离得到的。

参见 Lee, Kimin, et al.

Parameters:: num_classes (int) – 用于分布内分类任务的类别数量。

property cov¶

Returns:: 共享的协方差矩阵，形状为(d, d)，其中d是嵌入大小。
Return type:: 数组

fit(embeddings, targets)[来源]¶

使用类特定均值和共享协方差矩阵将多元高斯拟合到训练数据。

Parameters:

embeddings (数组) – 形状为 (n, d) 的嵌入，其中 n 是训练样本的数量，d 是嵌入的大小。
targets (Array) – 一个长度为 n 的数组，包含每个输入样本的真实标签。

Return type:

None

property mean¶

Returns:: 一个形状为(num_classes, d)的矩阵，其中num_classes是分布内分类任务中的类别数量。矩阵的第i行对应于第i类的拟合高斯分布的均值。
Return type:: 数组

score(embeddings)[来源]¶

新测试样本 \(\mathbf{x}\) 的置信度分数 \(M(\mathbf{x})\) 是通过计算 \(f(\mathbf{x})\) 与拟合的类高斯分布之间的最大（平方）马氏距离得到的。

高分表示测试样本 \(\mathbf{x}\) 被识别为OOD。

Parameters:: embeddings (数组) – 形状为 (n, d) 的嵌入，其中 n 是测试样本的数量，d 是嵌入的大小。
Returns:: 一个长度为n的分数数组。
Return type:: 数组

class fortuna.ood_detection.ddu.DeepDeterministicUncertaintyOODClassifier(*args, **kwargs)[来源]¶

一个高斯混合模型 \(q(\mathbf{x}, z)\)，每个类别 \(k \in {1,...,K}\) 有一个单一的高斯混合成分，在训练后被拟合。每个类别成分通过计算特征向量 \(f(\mathbf{x})\) 的经验均值 \(\mathbf{\hat{\mu}_k}\) 和协方差矩阵 \(\mathbf{\hat{\Sigma}_k}\) 来拟合。

新测试样本的置信度分数 \(M(\mathbf{x})\) 是通过计算特征表示的负边际似然获得的。

参见 Mukhoti, Jishnu, et al.

Parameters:: num_classes (int) – 用于分布内分类任务的类别数量。