提出了一种新的针对大规模数据集的无监督目标探索（UOD）形式化的排名问题方法，该方法可应用于特征自我学习，并结合各种分布式方法和链接分析，实现了完全无监督的 UOD 流程，在单目标和多目标探索方面表现良好。

Jun, 2021

本文提出 POORE - POsthoc pseudo-Ood REgularization 框架，通过在内部数据中生成伪 OOD 数据进行 fine-tune，通过引入新的正则化损失来分离 IND 和 OOD 数据的嵌入，提高了 OOD 预测任务的准确度，相较现有方法在三个实际对话系统上获得了最新的技术进展。

Oct, 2022

我们提出了一种名为 PixOOD 的密集图像预测的离群检测算法，它不需要对异常数据样本进行训练，也不针对特定应用程序，避免了传统训练偏差。我们提出了一种在线数据压缩算法，用于在像素级别建模类内数据的复杂内部类变异性，该算法比标准 K-means 更强大，通过随机梯度下降（SGD）更容易训练。我们在多个问题上对 PixOOD 进行了评估，它在七个数据集中的四个上取得了最先进的结果，并在其余数据集上具有竞争力。源代码可在此 URL 处获得

May, 2024

通过对大型语言模型进行实证研究，本文发现余弦距离的异常检测器表现出卓越的效力，优于其他异常检测器，并通过强调大型语言模型嵌入空间的各向同性特征，提供了对这一现象的有趣解释，进一步增强了我们对大型语言模型在检测异常数据方面的适应性和可靠性。

Aug, 2023

应用世界知识通过选择性生成大型语言模型并利用一致性基准不确定性校正方法来提高过分布检测性能，通过从每个图像提取视觉对象充分利用前述世界知识，充分实验证明本方法始终优于现有技术。

Oct, 2023

本文提出了一种面对非常低的领域内训练数据进行零样本 out-of-domain 检测和少样本 in-domain 分类的解决方案：一个抗 OOD 的原型网络，通过与当前最新方法的比较，结果显示该方法在 zero-shot OOD 检测任务上效果优于 state-of-the-art 方法，在 ID 分类任务上性能竞争力强。

Aug, 2019

基于原型混合的 PALM 模型通过多个原型来捕捉样本的多样性，学习更加准确和紧凑的样本嵌入以增强 OOD 检测性能，取得了 93.82 的 CIFAR-100 基准任务的最先进结果。

Feb, 2024

通过提出更全面的平均句子嵌入方法 Avg-Avg，将来自每个中间层的所有令牌表示平均为句子嵌入，为 fine-tuned 预训练语言模型中的 out-of-distribution 检测提供了免费的提升，并在一系列基准测试中超过了现有的最先进方法。

Oct, 2022

该论文提出了一种基于对比学习的框架，旨在有效地进行 out-of-distribution 检测，利用预训练的语言模型吸收丰富的信息，并在意图分类和异常检测等数据集中取得了显著的效果。

Oct, 2022

使用 Transformers，本文提出了一种针对文本型 OOD 检测的新颖变分推断框架（VI-OOD），通过有效利用预训练 Transformers 的表示，最大化联合分布 $p (x, y)$ 的似然度，从而解决了现有 OOD 检测方法中出现的问题。通过对多个文本分类任务的广泛实验，VI-OOD 展示了其高效性和广泛适用性。

Apr, 2024