新框架SBOG用最优传输生成异常值，跨模态提升鲁棒性评估！
Beyond Empirical Support: Structured Outlier Generation via Sinkhorn Optimal Transport
📖 AI 总结
该论文针对机器学习鲁棒性评估中异常样本生成的问题提出新方法。现有异常合成手段多依赖稀疏邻域、低支持潜区域或分类器边界穿越，存在启发式、不稳定且受限于特定模态与架构的缺陷。作者提出Sinkhorn边界异常生成框架（SBOG），将Sinkhorn最优传输几何与分布鲁棒边界建模相结合，通过Sinkhorn诱导的支持成本引导采样器趋向弱支持的边界区域，同时以语义约束防止样本无控制漂移，从而实现对分布内参考测度的可控偏离。在时间序列异常生成与图像异常合成实验中，该框架生成的异常样本信息丰富、语义可控，并提升了跨模态的下游鲁棒性评估效果，为超越经验支持的应力场景生成提供了基础。
🔑 关键词速览
| Sinkhorn Optimal Transport | 一种基于熵正则化的最优传输方法，用于计算分布之间的最优映射，具有高效稳定的数值求解特性。 |
| Outlier Generation | 合成异常值或离群点的过程，旨在模拟罕见或极端情况以评估和增强机器学习模型的鲁棒性。 |
| Distributionally Robust Boundary Modeling | 一种建模方法，关注分布边界区域的鲁棒性，以应对未来分布可能偏离训练数据的情况。 |
| Latent Space | 潜空间，指数据在低维表示中的抽象空间，通常由生成模型或自编码器学习得到。 |
| Stress Scenario Generation | 压力场景生成，指人为构造极端或罕见场景以测试系统在不利条件下的性能和鲁棒性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅