Petr Lorenc, Tommaso Gargiani, Jan Pichl, Jakub Konrád, Petr Marek...
TL;DR设计了一种基于度量学习和自适应决策边界的 OOD 检测算法,相较于其他算法,在类别数量较少的情况下显著提高 OOD 性能,保持了 IND 类别的准确性。
Abstract
conversational agents are usually designed for closed-world environments.
Unfortunately, users can behave unexpectedly. Based on the open-world
environment, we often encounter the situation that the training and test data
are sampled from different distributions. Then, data from differ
我们提出了一种新颖且更现实的设置,称为连续自适应离群分布检测(CAOOD),旨在开发一种能够适应动态和迅速适应新到达分布的离群分布检测模型,并且在部署期间具有不足的 ID 样本。通过设计学习和适应图表,我们开发了元离群学习(MOL),在训练过程中学习到了一个良好初始化的离群分布检测模型。在测试过程中,MOL 通过少量适应快速调整到新的分布,从而确保在不断变化的分布上具有离群分布检测性能。对几个离群分布基准测试的广泛实验证明了我们方法在保持 ID 分类准确性和离群分布检测性能方面的有效性。