关于异常检测的测试时间训练
该篇论文提出了一种 Test-Time Self-Training(TeST)技术,通过使用学生 - 老师结构学习不变和强鲁棒性表示来适应新的分布,进而提高模型在分布变化的测试时期的适应性,其结果显示,与现代域自适应算法相比,使用 TeST 的模型在目标检测和图像分割上达到了最新的测试时间域适应算法的最优水平。
Sep, 2022
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
本文提出一种针对神经网络对未知数据的检测算法,名为 TTA-AD,借鉴了一种新的观察方法,实验证明 TTA-AD 在不同高效图像基准数据集下,运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。
Jun, 2022
本文提出了一种基于树的离群检测机制 (TOOD detection),通过计算测试样本的树嵌入的逐对汉明距离,来确定一组未见过的样本是否与训练样本具有相似的分布。该方法具有解释性、健壮性,是高效且适用于各种机器学习任务的,还可以轻松推广到无监督环境中。通过大量实验证明,该方法在各种表格、图像和文本数据上辨别内部分布和外部分布方面优于其他最先进的离群检测方法。
May, 2024
本文旨在识别常见的目标,以及识别不同 OOD 检测方法的隐含评分函数。我们展示了许多方法在共享学习方式下表现相似,二进制区分器达到与异常暴露相似的 OOD 检测性能,还展示了置信度损失具有在理论上最优得分函数不同但与训练和测试 out-distribution 相同时的函数相似的隐含评分函数,从实践中发现,这些方法训练方式一致时都表现相似。
Jun, 2022
本文中,我们提出了测试时间训练的一般方法,通过将单个未标记的测试样本转化为自监督学习问题并在此基础上更新模型参数,从而改善预测模型在训练和测试数据来自不同分布时的性能,特别是在评估对分布的稳健性方面,我们的简单方法在各种图像分类基准测试中导致了改进。
Sep, 2019
本文介绍了一种利用对比性训练来提高机器学习系统检测异常数据输入的方法,通过引入和使用混淆对数概率得分来量化数据集的内离散度,作者证明了这种方法在 “近 OOD” 类的性能较先前方法有所提高。
Jul, 2020
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