本文提出了一种 HOOD 方法，通过设计一种基于因果推断的变分推理框架，利用每个图像实例的内容和风格来识别良性和恶性 ODD 数据，并通过干预过程增加内容和风格特征，从而产生良性和恶性 OOD 数据，HOOD 可以有效处理未知和开放环境中的 OOD 示例。

Jul, 2022

本研究主要解决有限标记数据和丰富无标记数据可用的更加现实的情况下的 OOD 检测问题。我们提出了一种自适应的基于样本熵和适当温度选择潜在 ID 和 OOD 样本的方法 (AIOL)，并利用数据扩充技术进一步提高了其性能。我们在多种基准数据集上进行的实验表明，我们的方法优于其他方法。

Oct, 2022

深度神经网络在现实应用中会遇到来自分布失真和对抗性攻击的数据，本综述聚焦于这两个领域的交叉研究，探讨如何通过鲁棒的分布失真检测和统一的鲁棒性进行对抗性攻击和对分布失真数据的健壮处理。

Apr, 2024

本文探讨了监督式机器学习中标注错误的一种情况，即数据集受到了分布外的污染，我们提出的方法使用辅助分类器来检测和重新标注这些污染数据，并在 FSDnoisy18k 音频数据集上实验，结果表明该方法显著提高了卷积神经网络的性能，与其他噪声抗干扰技术的比较也是鼓舞人心的。

Feb, 2020

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

本论文提出了一种基于 KIRBY 过程的方法，利用辅助数据集来训练拒绝网络，以将异常数据与正常数据区分开，有效提高图像分类的精度。

Dec, 2022

开放世界分类系统中，鉴别与内部分布不同的外部数据是一个重要问题，利用辅助外部数据进行模型训练可以改善开放世界检测性能。本文从学习理论的角度，通过构建一个包含辅助外部数据 Wasserstein 球中的全部分布的外部分布集，提出了分布增强的外部数据学习 (DAL) 方法，通过对球中的最差外部数据进行训练，缩小外部数据分布差异，从而提高开放世界检测性能。结果表明，DAL 在代表性的外部数据检测设置中具有优越性。

Nov, 2023

使用 SupCon 训练从训练分布中识别外分布样本是机器学习模型安全部署中的重要问题。我们在这项工作中运用强大的 SupCon 学习表征，并提出了一种全面的方法来学习对 OOD 数据稳健的分类器。我们通过增加两个对比项来扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开，而不对辅助数据的相似性产生任何约束。第二个项将 OOD 特征远离现有类原型，并将 ID 表征推近其对应的类原型。当辅助 OOD 数据不可用时，我们提出了特征混合技术来高效生成伪 OOD 特征。我们的解决方案简单高效，作为闭集监督对比表征学习的自然扩展。我们在常见基准测试中与不同的 OOD 检测方法进行了比较，并展示了最先进的结果。

Oct, 2023

基于数据生成学习的辅助任务的 OOD 学习（ATOL）是一种强大的方法，可以消除误生成的 OOD 数据，从而使 ID 和 OOD 数据的区分实现真正的 OOD 检测。

Nov, 2023

研究使用机器学习技术的安全关键系统需要可靠的不确定性评估。本研究发现，深度神经网络在处理分布外数据时可能会产生过度自信的预测。本研究提出了一种具有保护分布外数据和高准确度的分类器，并提供所有实验代码。

Jun, 2021