【分布外检测】《Deep Anomaly Detection with Outlier Exposure》 ICLR‘19

利用异常数据集训练异常检测器，这种方法称为异常暴露（Outlier Exposure，OE）。这使异常检测器能够泛化和检测未见的异常。在大量自然语言处理以及小规模和大规模视觉任务的广泛实验中，文章发现Outlier Exposure可显着提高检测性能。

Outlier Exposure

所谓异常暴露，就是给异常检测器引入异常数据，让模型能从已有的异常数据中获得启发，从而能泛化出未曾见过的异常。

这篇文章只有一个公式，即模型引入OE后的优化目标：
$${\mathbb{E}}_{(x,y)\sim {\mathcal{D}}_{\text{in }}}\left[\mathcal{L}(f(x),y)+\lambda {\mathbb{E}}_{x^{\prime }\sim {\mathcal{D}}_{\text{out }}^{\text{OE }}}\left[{\mathcal{L}}_{\mathrm{O}\mathrm{E}}\left(f\left(x^{\prime }\right),f(x),y\right)\right]\right]$$
其中第一项是$\mathcal{L}$原模型在原任务上的优化目标，第二项${\mathcal{L}}_{OE}$