Jun, 2020

AutoOD: 通过好奇心引导搜索和自我模仿学习实现自动异常检测

PDF
TL;DR本文提出一种自动离群点检测框架 AutoOD，采用基于好奇心的搜索策略和自我模仿学习的经验重播机制，在预定义的搜索空间内寻找最优神经网络模型，实验结果表明，与现有手工模型和传统搜索方法相比，AutoOD 找到的深度学习模型表现最佳。
发现论文，激发创造
  • NAS-OoD: 面向外分布泛化的神经架构搜索

    本文提出了针对 Out-of-Distribution 通用性的 NAS（NN 架构搜索）算法，通过数据生成器进行程度上相对稳健的搜索，并通过对不同神经架构计算出的损失最大化合成 Out-of-Distribution 数据来使神经架构与数据生成器在端到端方式下共同优化，实现了对于不同分布的稳健性和精度优化。在各种 Out-of-Distribution 通用性基准测试和行业实际数据集上均取得了良好的性能。

    Sep, 2021

  • 广义的异常检测：综述

    本文首先提出一个通用的 OOD 检测框架，其中包括了另外四个相关问题的特例或子任务，然后重点回顾了这五个领域的最新技术发展，特别是 OOD 检测方法，并总结了开放的挑战和潜在的研究方向。

    Oct, 2021

  • RODD: 自监督方法用于强健的越界检测

    该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

    Apr, 2022

  • NADS: 基于神经体系结构分布搜索的不确定性感知

    提出了神经结构分布搜索 (Neural Architecture Distribution Search，NADS) 的指导原则来设计确定性感知架构，优化了随机的 Out-of-Distribution 检测目标，并构建了模型集合来执行 OoD 检测，在 15 个不同的测试配置中相对于最先进的方法准确率的提高高达 57％。

    Jun, 2020

  • 自动驾驶中异常检测的合成异常样本生成

    我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略，通过对最先进的 DenseHybrid 模型的训练阶段进行修改，我们实现了显著的异常检测性能提升。此外，我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果，而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。

    Aug, 2023

  • PyODDS：具备自动化机器学习功能的端到端异常检测系统

    PyODDS 是一个自动化的 Python 系统，它通过数据库支持自动优化新数据源上的异常检测管道。该系统能够在 Apache Spark 背端服务器和轻量级数据库的支持下实现端到端的执行以及面向具有或不具有数据科学或机器学习背景的用户提供统一的接口和可视化。

    Mar, 2020

  • 利用记忆和对比学习进行无监督异常检测

    研究了利用特征空间中异常值与正常值的距离进行异常检测，提出了一种名为 MCOD 的框架，结合记忆模块和对比学习模块。实验证明，该方法在四个基准数据集上表现良好，优于其他九种最先进的方法。

    Jul, 2021

  • 一个用于数据质量保证中的离群检测的新的统计度量

    使用深度学习技术进行特征表示，并开发一种新的统计测量方法进行 OOD 检测。研究通过与其他常见统计测量方法进行比较分析，验证了研究在 OOD 和 AIQM 研究中的可行性和有效性。

    Oct, 2023

  • 持续无监督的外部分布检测

    不断进行未标注 OOD 检测的新设置，使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数，并设计了一种置信度缩放的少样本 OOD 检测器，大幅改善相关领域的强基准模型。

    Jun, 2024

  • 在自然环境中训练 OOD 检测器

    本文提出了一种基于野外混合数据的新颖框架，旨在改进在野外部署的机器学习模型的 OOD 检测能力，通过最大化 OOD 检测率并设定 ID 数据的分类误差和 ID 示例的 OOD 错误率的约束条件的学习目标，有效地解决了这个问题，并在常见的 OOD 检测任务中获得了优异的性能。

    Feb, 2022