Oct, 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

PDF
TL;DR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。
out-of-distribution detectionood detectionoutlier exposurediversified outlier exposureextrapolation
发现论文，激发创造
  • 通过隐式异常转换进行的越界检测

    通过最大最小学习策略，利用模型扰动产生一类最差情况的数据来合成新的数据，以优化 outlier exposure 在 out-of-distribution 检测中的性能。

    Mar, 2023

  • 在自然环境中训练 OOD 检测器

    本文提出了一种基于野外混合数据的新颖框架，旨在改进在野外部署的机器学习模型的 OOD 检测能力，通过最大化 OOD 检测率并设定 ID 数据的分类误差和 ID 示例的 OOD 错误率的约束条件的学习目标，有效地解决了这个问题，并在常见的 OOD 检测任务中获得了优异的性能。

    Feb, 2022

  • 利用扩散先验进行外部分布检测

    利用扩散模型的生成能力和 CLIP 的强大特征提取能力，我们提出了一种新颖的 OOD 检测方法，通过使用这些特征作为扩散模型的条件输入，我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号，我们的方法不需要类别特定的标记，提高了实用性和可扩展性，且经过多个基准数据集的广泛实验证明了我们方法的鲁棒性和有效性。

    Jun, 2024

  • 使用预训练转换器的伪异常值暴露进行对外分布检测

    我们提出了一种名为 Pseudo Outlier Exposure（POE）的简单但有效的方法，通过顺序遮盖与 ID 类相关的令牌来构建一个替代性的 OOD 数据集，该替代性 OOD 样本与 ID 数据具有相似的表示，可以在训练拒绝网络方面发挥最有效的作用，与最先进的算法进行全面比较，在几个文本分类基准测试中证明了 POE 的竞争力。

    Jul, 2023

  • 梯度正则化的离群样本检测

    利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

    Apr, 2024

  • 基于极值的图像分类异常检测方法：XOOD

    本研究提出了一种基于极值的新型 OOD 检测框架 XOOD，包括两个算法：完全无监督的 XOOD-M 和自我监督的 XOOD-L，两者都依赖于神经网络中激活层数据的极值信号以区分内部分布和 OOD 实例。实验证明，XOOD-M 和 XOOD-L 在效率和准确性方面均优于现有的状态 - of-the-art OOD 检测方法，在降低误报率（FPR95）50％，同时将推理时间提高一个数量级。

    Aug, 2022

  • 提高样本外检测的三个因素

    通过引入自我知识蒸馏损失、采样半难例离群数据和使用监督对比学习，我们的方法在分类准确性和离群检测性能之间取得平衡，同时提高了两个性能指标。

    Aug, 2023

  • 通过隐式层集成增强自然语言理解中的外部分布检测

    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

  • DIVERSIFY: 一种时间序列的离群检测和泛化的通用框架

    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。

    Aug, 2023

  • 使用后验采样进行异常检测

    提出一种新颖的基于后验采样的异常值挖掘框架（POEM），促进了异常数据的有效使用，并提高了识别内部和外部数据之间紧凑决策边界的性能，相对于现有最佳方法，在 CIFAR-10 和 CIFAR-100 上的 FPR95 相对性能分别提高了 42.0％和 24.2％，并在理论上证明了 POEM 用于 OOD 检测的有效性。

    Jun, 2022