该论文通过使用预训练深度分类器的特征空间研究了离群分布（OOD）检测问题，发现使用基于能量模型（EBM）学习内部分布特征的密度可以获得有竞争力的检测结果，并通过能量校正与类条件高斯分布的混合来解决 MCMC 采样非混合化的问题，相较于 CIFAR-10/CIFAR-100 OOD 检测基准上的 KNN 检测器取得了有利的结果。

Mar, 2024

本论文介绍了 HEAT 模型，它使用混合能量模型在预训练的主干特征空间中估计 ID 样本密度感知 OOD。该模型在 CIFAR-10，CIFAR-100 和 Imagenet 基准上取得了全新的最佳 OOD 检测结果。

May, 2023

提出了使用正则化流（normalizing flow）结构的基于能量模型（energy-based model）的检测器 FlowEneDet，可以在不重新训练的情况下扩展早先投入使用的语义分割模型，并在 Cityscapes，Cityscapes-C，FishyScapes 及 SegmentMeIfYouCan 四个基准测试集上实现了良好的检测成果。

May, 2023

通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于 softmax 方法，而深度集成方法是最稳健的，在所有三个数据集上最适合检测 OOD 样本。

Feb, 2024

本文探讨了利用能量模型解决半监督图像异常检测和定位问题的初步进展，并通过实验验证了该方法在 MVTec 工业数据集上的很强的检测和定位性能表现。

May, 2021

利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

Apr, 2024

本研究介绍了一种针对方言的新型边界增强联合能量模型（MEJEM），用于方言中的 OOD 检测。通过集成生成模型和能量边界损失，我们的方法旨在增强方言识别系统的鲁棒性。此外，我们探索了两种 OOD 得分的方言检测方法，研究结果明确表明能量得分优于 softmax 得分。利用锐度感知最小化优化联合模型的训练过程，通过最小化损失和锐度的方法增强模型的泛化性。在方言识别任务上进行的实验证实了基于能量的模型的有效性，并提供了有价值的性能见解。

Jun, 2024

本研究提出了深度结构化能量模型，其中能量函数是具有结构的确定性深度神经网络的输出，该模型可以应用于不同类型数据的结构，通过训练算法提高异常检测准确性。

May, 2016

本研究证明无法保证模型在没有假设相关的未知分布情况下仍具备比随机猜测更好的性能，且模型误差是 OOD 检测失败的更可靠说明，而不是数据分布的可能性。

Jul, 2021

在开放世界中安全部署机器学习模型的重要基础是确定输入是否为 ODD, 然而，传统基于 softmax 置信度得分的方法在 ODD 数据的后验分布上存在过度自信的问题，本文提出了一个使用能量分数的 ODD 检测的统一框架，理论上更能够识别 “内部” 和 “外部” 数据。这个框架内可以灵活地将能量用作得分函数和 OOR 检测的可训练成本函数，与 CIFAR-10 预训练的 WideResNet 相比，使用能量分数将平均 FPR （在 TPR 95％处）降低了 18.03％，并且使用基于能量的训练，我们的方法在常见基准上表现优异。

Oct, 2020