本文提出了一种基于降维增强深度神经网络（DNN）的离群检测方法：通过对高维特征进行线性与非线性降维，得到更真实的特征嵌入子空间，利用其计算分布学习和特征重构误差有效地检测不在分布内的样本，实验结果表明其效果优于一些已有方法。

Dec, 2020

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

该论文提出了一种名为OODformer的新型OOD检测架构，利用transformer的上下文能力来区分内部分布和OOD样本，通过视觉注意力利用上下文嵌入提高了分类的通用性，在CIFAR-10 / -100和ImageNet30上取得了新的最先进成果。

Jul, 2021

本文提出了一种新的方法，即基于重构误差聚合探测器(READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的ID和OOD样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的OOD检测算法相比，我们的方法不需要接触测试时间OOD数据来微调超参数，并且在对CIFAR-10进行广泛比较时，我们的方法将平均FPR@95TPR降低了高达9.8％。

Jun, 2022

研究了使用已经训练好的神经网络分类器进行图像识别的方法，提出了一种基于分析神经网络映射空间的简单有效的方法对不在分布范围内的图像进行检测识别，成功提高了识别的准确率。

Jul, 2022

深度学习中用深度集成方法提升神经网络的鲁棒性能，在大规模图片数据集中使用互信息指标(OOD）的检测效果比单一模型的熵指标要劣30-40%，使用集成多个分类器的检测得分对Deep Ensemble OOD检测性能有着更好的提升表现 。

Jul, 2022

本论文提出了一种基于KIRBY过程的方法，利用辅助数据集来训练拒绝网络，以将异常数据与正常数据区分开，有效提高图像分类的精度。

Dec, 2022

本文提出利用基于重建的先验任务构建的模型，用于检测OOD，并通过Masked Image Modeling预训练，取得了比先前SOTA更好的表现，包括单类OOD检测高出5.7％，多类OOD检测高出3.0％，近分布OOD检测高出2.1％。

Feb, 2023

基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在BDD100k和VOC数据集上的训练，并在COCO2017数据集上的评估中通过降低FPR95分数最多8.19％和增加AUROC分数最多13.94％来实现了令人满意的超出分布的辨别性能。

Oct, 2023

采用扩散过程将提供整个训练集的信息纳入预测的噪声向量中，并推导出噪声向量的闭合解，将噪声向量转化为用于度量OOD的得分。通过在OOD基准测试上对比深度模型预测的噪声向量和闭合解噪声向量的表现，我们的方法在所有类型的图像编码器中胜过以前的OOD方法，其中使用MAE-based图像编码器达到了3.5％的性能提升，并且通过应用不同类型的图像编码器来研究OOD方法的健壮性，我们的方法在所有图像编码器中表现出良好的鲁棒性。

Jan, 2024