要約
オープンセット認識は、分類器が訓練データに含まれないクラスに属するサンプルを検出できる必要がある。従来の手法では、埋め込み空間（embedding space）における訓練サンプルに確率分布を当てはめ、その分布に基づいて外れ値を検出する。この埋め込み空間は通常、識別的な分類器から得られる。しかし、このような識別的な表現は既知のクラスにのみ注目するため、未知クラスを区別する上で必ずしも有効とは限らない。本研究では、内点クラス分類器と密度推定器（外れ値検出器として機能）の両方からなる表現空間を共同で学習すべきであると主張する。そこで、入力データを共同埋め込み空間に符号化するエンコーダ、内点クラスへの分類を行う分類器、および未知クラスに属するサンプルを検出するフローに基づく密度推定器から構成される「OpenHybrid」フレームワークを提案する。従来のフローに基づくモデルの典型的な問題として、外れ値に対して高い尤度を割り当てる傾向があることが挙げられる。しかし、本研究では識別的・生成的コンポーネントの共同表現を学習する際には、このような問題が実験において観測されないことを実証的に確認した。標準的なオープンセットベンチマークにおける実験結果から、エンドツーエンドで訓練されたOpenHybridモデルが、最先端の手法およびフローに基づくベースラインを顕著に上回ることが明らかになった。