本文提出了一种简单且有效的 OOS 检测方法，它在实际场景中的虚拟助手部署中优于标准方法，并讨论了云平台解决方案的各种设计和部署考虑因素。同时，我们提出了一组数据集，模拟实际情况，并使用离线和在线评估指标在不同场景下展示了全面结果。

Jan, 2023

通过使用 GOLD 技术，结合辅助数据样本，筛选产生伪标签候选数据，并采用新的筛选机制来训练 OOS 检测器，从而在低数据情况下提高模型性能，实验证明在不同基准测试中，GOLD 模型比现有方法表现更好，实现了相对增益 52.4％，48.9％和 50.3％的标志性基准表现。同时，通过分析 OOS 数据的独特属性，揭示了优化所提出的方法的关键因素。

Sep, 2021

该研究旨在通过引入包括超出支持意图范围的查询的新数据集来评估范围内 / 超出范围的分类器及其性能，以更严谨、更真实地评估用于任务驱动对话系统中的文本分类。

Sep, 2019

本文提出了一种全面端到端的方法来训练超出范围意图分类器，该分类器可以直接应用于测试任务，并对四个基准对话数据集进行了广泛评估，观察到了超过最先进方法的显着改进。

Jun, 2021

本文介绍了通过使用变分自编码器、非监督聚类等方法，解决了任务导向型对话系统中存在的 Out of Scope，Out of Domain 等输入识别问题，以及训练 Intent Detection 模型时的数据集标注问题。在英文和波斯语中的实验结果表明，我们的模型在同时实现 OOD/OOS 意图检测和意图发现方面取得了优异的性能效果，超越了基准线。

Mar, 2023

ChatGPT 对 OOD 意图探索和广义意图探索进行了全面评估，并概述了 ChatGPT 的优势和劣势。ChatGPT 在零样本设置下展现了一致的优势，但与微调模型相比仍处于劣势。通过一系列分析实验，我们总结和讨论了 LLM 面临的挑战，包括聚类、领域特定理解和跨领域情境学习场景。最后，我们提供了未来解决这些挑战的经验指导。

Oct, 2023

本文探讨了在少样本意图识别任务中，在领域内外范围检测的重要性，揭示了预训练 Transformer 模型在领域内但扩展到领域外数据上的漏洞，构建了新的数据集并对模型能力作出实证验证。同时，对模型错误分类的 ID-OOS 意图进行了分析，并提出了若干未来工作方向。

Jun, 2021

本文提出了一种基于神经网络的简单而有效的分类方法，结合了自注意力和交叉编码技术，通过最佳匹配训练样本来估计用户的输入，使用 NLI 传输提高了判别能力，本方法相对 RoBERTa 和最近邻方法在行业内和 OOS 检测准确性上更为稳定和准确性更高，尤其是 10-shot 模型在保持相同推理时间的情况下与 50-shot 或全量 shot 分类器竞争。

Oct, 2020

本篇研究论文探讨了自然语言处理中机器学习系统在处理超出标准数据集范畴的数据时的适用性，并在文本分类中研究了其可靠性及可能存在的偏差。此外，本文对该主题的最新进展、方法和评估进行了综述，并讨论了涉及的挑战和未来的研究方向。

May, 2023

提出一个首个大规模的公开合成数据集，用于上下文拼写检查自定义自动语音识别（ASR）中的多样罕见和词汇外（OOV）短语，如专有名词或术语。通过注入两种类型的 “困难负面” 短语到模拟的偏见列表中，我们的方法可以创建数百万个真实的损坏 ASR 假设示例，并模拟定制任务的非平凡偏见列表，同时描述了自动挖掘它们的过程。通过在提出的数据集上训练开源定制模型进行实验，我们显示出注入困难负面偏见短语可以降低 WER 和误报数目。

Sep, 2023