多测试的层级特征融合增强外部分布检测
本文提出了一种新的适用于深度神经网络(DNNs)的层自适应 OOD 检测框架(LA-OOD),该框架能够充分利用中间层的输出,通过在中间层同时训练多个 One-Class SVM OOD 探测器,以利用在 DNNs 不同深度上编码的完整光谱特征,而非仅集中于末端层特征,我们开发了一个简单而有效的层自适应策略来识别最佳层以便检测每个潜在的 OOD 样例。
Mar, 2022
通过对大量的异常数据进行实验比较,我们发现基于特征的异常检测方法中,多层方法始终表现优异,而单层方法的性能不稳定且取决于异常类型,同时异常检测的性能也高度依赖于神经网络的架构。
Jul, 2023
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
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
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
在本研究中,我们提出了一种新的损失函数和网络训练方法,以提高密度感知的开放世界环境中对异常和越界样本的检测能力,并在 CIFAR-10 数据集上进行了验证,将相对马氏距离方法在远距离越界任务中的错误正例率降低了 50% 以上。
Nov, 2023
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
提出了一种新的基于神经元分析的方法,Leveraging Important Neurons (LINe),通过使用 Shapley 值剪枝和激活截断等方法实现后置 OOD 检测。在 CIFAR-10,CIFAR-100 和 ImageNet 测试数据上,该方法表现出比其他现有后置 OOD 检测方法更高的有效性。
Mar, 2023
这篇论文提出了一种名为 WOOD 的通用弱监督 OOD 检测框架,同时检测多种不同的 OOD 场景,并结合二元分类器和对比学习组件以取得双方的优势,实验证明该模型在多模态 OOD 检测方面超过了现有方法。
Jul, 2023