提出了一种利用现有领域知识嵌入核函数的新方法，以及一种基于滚动预测的离线在线监控器，用于使机器人在未知情况下使用基于学习的方法安全导航。数值结果表明，与标准的核函数选择相比，具有领域知识的核函数在小数据集上具有更好的回归质量。通过对一个室内设置中的四足机器人进行测试，演示了 OoD 监控器的有效性，可可靠地对以前未见的地形进行分类。

Sep, 2023

本文提出了一种基于边界的 Out-of-Distribution 分类器来解决 Generalized Zero-Shot Learning 问题，其利用共享的潜在空间，在单位超球上对视觉特征和语义属性的潜在分布进行按类别对齐，并通过类中心和边界将未见过的样本与已见过的进行分离，经验证在常见的五个基准数据集上，该方法超越了现有方法的性能表现。

Aug, 2020

本文研究了如何使用基于高斯混合生成对抗网络的新颖在线非穷尽学习模型来检测测试数据中出现的新兴类别实例，实验表明 NE-GM-GAN 方法比目前现有的方法可以更好地检测流数据中的新类别实例。

Jun, 2021

检测开放环境中机器学习模型的异常样本是至关重要的。通过引入最近邻引导（NNGuide）方法，我们解决了由于边界几何导致的分类器评分过分自信的问题，同时保持了分类器评分的细粒度能力，并在多种设置下，包括 ID 数据自然分布变化的情况下，在 ImageNet 异常检测基准测试中取得了显著的性能提升，达到了 AUROC、FPR95 和 AUPR 指标的最佳结果。

Sep, 2023

提出一种名为多测试层级异分布检测（MLOD）的框架，通过严格的多测试程序，在不需要修改或微调预训练分类器的结构的情况下，能够在不同特征层级上识别测试样本中的分布偏移，并通过有效利用不同深度的特征提取器，有效提高异分布检测性能。

Mar, 2024

本文旨在研究学习包含混合 IND 和 OOD 噪声数据集的分类器和 OOD 检测器，提出了一种名为 Noisy Graph Cleaning (NGC) 的新型基于图的框架，通过利用数据的几何结构和模型预测置信度收集干净样本，并可以在测试阶段直接基于学习到的类原型检测和拒绝 OOD 样本，实验结果表明 NGC 方法在多个测试基准上表现优异。

Aug, 2021

介绍了一种轻量、快速、高性能的正则化方法用于 Mahalanobis 距离的不确定性预测，并需要对网络的架构进行最小的更改来推导有利于 Mahalanobis 距离计算的高斯潜在表示。通过在标准 OOD 基准测试上进行评估，证明了该方法在最小推理时间内实现了最先进的 OOD 检测结果，并且在预测概率校准方面非常有竞争力。

May, 2023

本文提出了一种基于梯度信噪比的参数选择方法，以解决深度神经网络在源域过拟合的问题，并通过元学习方法减轻了搜索最佳 dropout 比率的负担。评估结果表明，在标准域泛化基准测试中，我们取得了分类和人脸防伪问题方面的竞争性结果。

Oct, 2023

该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方法的优越性。

Jun, 2022

基于梯度信噪比的方差缩减梯度下降技术对大批量任务进行了快速训练动态的理论分析和泛化分析，证明了其加速训练、缩小泛化差距和提高最终精度的效果。

Sep, 2023