无模型的测试时间适应用于外域检测
本文提出了一种基于线性回归的测试时间训练方法,将输入图像的特征与其推断出的异常检测 (OOD) 分数进行配对,并在实现更精确的 OOD 检测上取得了很好的效果。
Jul, 2022
我们提出了一种新颖且更现实的设置,称为连续自适应离群分布检测(CAOOD),旨在开发一种能够适应动态和迅速适应新到达分布的离群分布检测模型,并且在部署期间具有不足的 ID 样本。通过设计学习和适应图表,我们开发了元离群学习(MOL),在训练过程中学习到了一个良好初始化的离群分布检测模型。在测试过程中,MOL 通过少量适应快速调整到新的分布,从而确保在不断变化的分布上具有离群分布检测性能。对几个离群分布基准测试的广泛实验证明了我们方法在保持 ID 分类准确性和离群分布检测性能方面的有效性。
Sep, 2023
本文研究使用非参数最近邻距离方法进行开放世界中一类重要任务:Out-of-distribution 检测,不同于先前的研究,该方法不施加任何分布假设,因此具有更强的灵活性和普适性,在多个基准测试中证明了其有效性,并且相对强基线的 Mahalanobis 距离方法,显著降低了 24.77% 误报率 (FPR@TPR95)。
Apr, 2022
本文研究了如何检测机器学习模型移植到实际应用中可能出现的数据分布偏移,提出了一个以神经网络为基础的 OOD 检测方法,并结合理论与实验表现对其进行了分析与评估。
Dec, 2021
本文主要研究深度学习模型在检测 in-distribution 和 OOD inputs 时受到极小对抗扰动的影响,并提出了一种名为 ALOE 的有效算法,该算法通过将模型暴露于经过对抗训练的 inlier 和 outlier examples 中的方式,可以灵活地与现有方法相结合,提高现有的 Out-of-distribution detection 方法的鲁棒性,CIFAR-10 和 CIFAR-100 数据集的 AUROC 分别提高了 58.4% 和 46.59%。
Mar, 2020
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
在这篇综述文章中,我们详细回顾了图形 OOD(Out-Of-Distribution)适应方法,并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。
Feb, 2024
研究机器学习中如何确定训练分布和 ODD(Out-Of-Distribution)样本的检测机制,提出了一种基于 l2 范数的无需特定组件或训练的 ODD 鲁棒性证明的新方法以及改进了检测 ODD 攻击技巧的现有技术,在 CIFAR10 / 100 平均 OOD 检测度量方面相对于之前的方法有约 13%/ 5%的提高,并在分布内样本上提供高水平的认证和敌对鲁棒性。
Mar, 2023
本文提出了一个名为 OpenOOD 的统一的、结构化的代码库,该库实现了超过 30 种 ODD 检测方法,并在最近提出的一般化 OOD 检测框架下提供了全面的基准。作者通过对这些方法的全面比较发现,过去几年中,该领域取得了显著进展,其中预处理方法和正交后处理方法显示出很强的潜力。
Oct, 2022
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