我们提出了一种名为 JointEnergy 的简单有效方法，可以有效降低在多标签分类中的误假阳性率，该方法从多个标签的能量得分中聚合获得 OOD 指示器分数。

Sep, 2021

在开放世界中安全部署机器学习模型的重要基础是确定输入是否为 ODD, 然而，传统基于 softmax 置信度得分的方法在 ODD 数据的后验分布上存在过度自信的问题，本文提出了一个使用能量分数的 ODD 检测的统一框架，理论上更能够识别 “内部” 和 “外部” 数据。这个框架内可以灵活地将能量用作得分函数和 OOR 检测的可训练成本函数，与 CIFAR-10 预训练的 WideResNet 相比，使用能量分数将平均 FPR （在 TPR 95％处）降低了 18.03％，并且使用基于能量的训练，我们的方法在常见基准上表现优异。

Oct, 2020

提出了使用正则化流（normalizing flow）结构的基于能量模型（energy-based model）的检测器 FlowEneDet，可以在不重新训练的情况下扩展早先投入使用的语义分割模型，并在 Cityscapes，Cityscapes-C，FishyScapes 及 SegmentMeIfYouCan 四个基准测试集上实现了良好的检测成果。

May, 2023

针对图形数据的 OOD 检测问题，本论文提出了一种基于图神经网络的能量函数的有效 OOD 鉴别器，命名为 GNNSafe，并在模拟和真实数据集上的评估中证明了它的性能优于现有技术。

Feb, 2023

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

本文研究了使用能量基模型进行 out-of-distribution 检测，并发现能量基模型并未表现出优越性，我们假设能量基模型在学习语义特征方面存在不足，通过实验验证发现监督学习和架构限制能够提高 EBMs 的 OOD 检测能力。

Jul, 2021

通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于 softmax 方法，而深度集成方法是最稳健的，在所有三个数据集上最适合检测 OOD 样本。

Feb, 2024

本研究介绍了一种针对方言的新型边界增强联合能量模型（MEJEM），用于方言中的 OOD 检测。通过集成生成模型和能量边界损失，我们的方法旨在增强方言识别系统的鲁棒性。此外，我们探索了两种 OOD 得分的方言检测方法，研究结果明确表明能量得分优于 softmax 得分。利用锐度感知最小化优化联合模型的训练过程，通过最小化损失和锐度的方法增强模型的泛化性。在方言识别任务上进行的实验证实了基于能量的模型的有效性，并提供了有价值的性能见解。

Jun, 2024

提出平衡能量正则化损失函数的方法，利用类别不同的先验概率来处理 OOD 数据的类别分布不平衡，该方法在面向任务的 OOD 检测、长尾图像分类和图像分类中表现更好，并在业内两项任务中实现了最先进的性能

Jun, 2023

本文提出了一种简单而强大的基于能量的得分函数来检测超领域或未知意图的方法，同时介绍了一种基于能量的边界目标来区分超领域与内部领域，并通过全面的实验和分析证明了该方法有助于解开内部领域和超领域数据的置信度得分分布。

Oct, 2022