本研究提出了一种可靠的置信度估计方法以检测深度神经网络分类器的误分类，该方法通过利用异常样本、使用在非目标类中的无标签样本以协助检测误分类错误，并将开放世界知识结合到模型中，学习拒绝通过异常转换生成的不确定的伪样本，从而在各种场景下显著提高置信度可靠性。

Mar, 2023

在有限的内分布样本情况下，本文提出了一种名为 HyperMix 的超网络框架，使用对生成的分类器参数进行 Mixup 处理，并采用一种自然的 Episode 外部曝光技术来进行离群样本检测，实验证明在少样本情况下，该方法明显优于其他离群检测方法。

Dec, 2023

本文提出了一种名为 Remix 的新的正则化技术，它在深度图像分类器的分类不平衡的情况下可以使得深度图像分类器表现更好，并在多组实验中证实了 Remix 相较于现有的 Mixup、Manifold Mixup 和 CutMix 等算法在这个问题上的优越性。

Jul, 2020

我们提出了一种新颖且简单的方法，称为 Multiple Input Mixup（MIM），它可以通过单次 fine-tuning 改善 OOD 检测性能，而无需从头训练模型。我们的方法仅利用 ID 样本生成合成的 OOD 数据，且在 CIFAR10 和 CIFAR100 基准测试中展示出与 SOTA 方法相比更出色的性能，且不需要对特征向量进行额外计算。

Dec, 2023

本文提出了与独特的大规模数据挖掘领域相关的 WePaMaDM 异常检测方法，探讨了数据建模在监视、故障检测和趋势分析等异常检测技术中的重要性与意义，同时介绍了半监督任务中的新颖检测方法

Jun, 2023

采用可解释人工智能 (XAI) 方法，使用不同的度量标准来识别样本的相似程度，验证模型非参数和分布假设的假设，检测机器学习中最关键的问题之一 —— 超出分布检测，并在预测维护、车队编队和网络安全等复杂情境中进行了验证，得出了精确的检测和对训练 - 操作条件的评价。

Mar, 2023

系统使用迭代 K-means 聚类算法，并结合 Subset Scan Technique 技术，在分析纽约州开放的医疗保健数据中找出包括某些医院成本溢出和自杀病例增加等异常趋势，并得出了新的研究结果，对监管机构、决策者和关注公民具有潜在的作用。

Apr, 2023

本文提出了一种名为 COPOD 的新颖异常检测算法，它受到 copulas 建模多变量数据分布的启发，这使得它既不需要参数，可解释性又高，且计算效率高，通过对 30 个基准数据集的广泛实验表明，它在大多数情况下表现出色且是其中速度最快的算法，同时，我们还发布了易于使用的 Python 实现来实现结果的再现。

Sep, 2020

本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

Feb, 2022

本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中，如何识别和检测来自于训练集分布之外的样本，从而提出了跨领域的研究方向，这对提高模型的鲁棒性具有重要意义。

Oct, 2021