本文提出了一个更广泛的框架来研究模型针对特定因素（如未知类别、协变量变化等) 检测 out-of-distribution（OOD）问题，该框架能够检测出一个训练好的机器学习模型无法正确预测的测试样例，而是否拒绝该测试样例取决于模型本身，该文提供了大量分析和见解，用以改进和理解在不受控制的环境中的 OOD 检测。

Apr, 2023

本文提出了一种全光谱 OOD 检测的新问题，并设计了三个基准以测试算法性能。针对这个问题，我们提出了一个简单的面向特征的 SEM 方法来检测语义转移，可以更好地处理 FS-OOD 检测，并且 SEM 明显优于当前最先进的方法。

Apr, 2022

通过广泛的实验，我们展示了当前的 ODD 检测器对于协变量转移比语义转移更为敏感，并且最新的 ODD 检测算法对于语义转移的检测效果微乎其微。我们的数据集和分析为指导未来的 ODD 检测器设计提供了重要见解。

Oct, 2023

本研究提出了一种双层离群分布检测框架，可同时处理领域漂移和语义漂移，通过全局低层特征和密集高层特征图来区分领域漂移和语义漂移，并能够选择性地调整模型以适应未知领域，并提高在检测新类别方面的效果。在多个离群分割基准测试中验证了所提出方法的有效性，包括存在显著领域漂移和不存在领域漂移的情况下，观察到各种基准模型的持续性性能改进。

Sep, 2023

通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

Mar, 2024

本文提出了一种新的 margin-based learning 框架，该框架利用公开的未标记数据，在同时泛化到协变量移位的情况下，鲁棒地检测语义移位。

Jun, 2023

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

本文提供了关于 Out-of-distribution 检测方法的研究，发现在检测背景变化的数据方面，密度估计表现更好，而在语义变化的数据方面则模型校准表现更好。同时指出当前方法在挑战数据检测方面存在缺陷，需要对 OOD 进行明确的定义。

Sep, 2021

本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

Mar, 2021

通过多任务学习，我们引入了一种两阶段表示学习技术，旨在从跨越多个领域的特征中培养一个潜在空间，包括原始和跨领域的特征，以增强在未见过的内部分布和外部分布领域的推理能力。此外，我们试图通过最小化先验和潜在空间之间的互信息来解耦潜在空间，从而有效地消除虚假特征之间的关联性。总体而言，这种联合优化将促进领域无关的特征学习。我们使用标准分类指标在多个网络安全数据集上评估模型的有效性，并将结果与当代领域泛化方法进行对比。

Dec, 2023