Aug, 2023

DIVERSIFY: 一种时间序列的离群检测和泛化的通用框架

PDF
TL;DR这篇论文提出了 DIVERSIFY，一个用于时间序列的动态分布的离群检测和泛化的通用框架，通过结合已有的离群检测方法和直接利用分类输出来改善非平稳性引起的问题，理论和实验结果表明 DIVERSIFY 学习到了更广义的特征，并且明显优于其他基线模型。
发现论文，激发创造
  • 时间序列分类的外域表示学习

    该研究提出了一种从分布角度解决时间序列分类问题的新方法，称为 DIVERSIFY，该方法采用对抗性训练获得最坏情况分布并匹配子域的分布来学习泛化表示，实验结果表明该方法在不同情境中的 7 个数据集上具有显著优势，可以有效地表征者潜在分布。

    Sep, 2022

  • 通过多元化揭示 OOD 推广的关键组成部分

    多样化方法对无标签数据的分布敏感，单纯多样化无法实现 OOD 泛化，学习算法的选择至关重要，将导致精度绝对下降 20％；选择最佳学习算法依赖于无标签数据，同时无标签数据也依赖于学习算法的选择。增加多样性假设数量不能解决这些问题。以上发现为了深入理解多样化方法的 OOD 泛化提供了关键设计因素，指导实践和研究。

    Dec, 2023

  • 通过信息外推实现的多样化异常值暴露方法用于外域检测

    通过生成多样化的离群点进行外部样本检测，提高模型的可靠性和效果。

    Oct, 2023

  • WOODS: 时间序列中的超领域通用基准

    本研究发现，虽然静态计算机视觉任务的 OOD 泛化已被广泛研究，但时间序列任务的 OOD 泛化未被充分探索，作者提出了 WOODS, 包含 8 个挑战性的时间序列基准测试，结果表明在这些数据集上的经验风险最小化和 OOD 泛化算法有很大的改进空间。

    Mar, 2022

  • 关于超出分布泛化的理论框架

    本文第一次尝试对 OOD 问题的可学习性和扩张函数进行严格和量化的定义，并引入了一个新的扩张函数概念来量化不变特征的方差程度，进而证明了 OOD 泛化误差界，实验证明我们的模型选择标准相比基线有显著优势。

    Jun, 2021

  • 通用多模态 OOD 检测框架

    这篇论文提出了一种名为 WOOD 的通用弱监督 OOD 检测框架，同时检测多种不同的 OOD 场景，并结合二元分类器和对比学习组件以取得双方的优势，实验证明该模型在多模态 OOD 检测方面超过了现有方法。

    Jul, 2023

  • 预料之外：广泛的场外检测

    我们在广泛的 OOD 检测中发现现有方法的性能不一致，因此我们提出了一种基于高斯混合模型的集成方法，从而提供了一种更一致和全面的解决方案，相比现有方法表现出更优异的性能。

    Aug, 2023

  • 面向外部分布泛化：一项调查

    该研究论文系统而全面地讨论了 Out-of-Distribution generalization 问题，其中包括它的定义、方法论、评估以及对未来的启示和发展方向，以及包括无监督表示学习在内的现有方法。

    Aug, 2021

  • 重新思考强化学习的非分布检测：改进评估和检测方法

    我们提出一种基于时间序列特征提取的新方法 DEXTER，用于检测强化学习中的异常情况，该方法在基准场景中表现出优越性能，相比现有的异常检测算法和高维度变点检测方法具有显著优势。

    Apr, 2024

  • 学习可推广到分布外的模块化结构

    本文提出一种针对机器学习系统中的 O.O.D. generalization 挑战的方法，通过训练鼓励模型仅保留在多个训练领域中被很好地重用的网络特征，结合两种互补的神经元级约束器和网络上的可微分二进制蒙版，提取模块化子网络以达到更好的 O.O.D. 性能。初步评估在两个基准数据集上证实了我们方法的优势。

    Aug, 2022