- 超越已知:对抗自编码器的新颖性检测
通过线性化保持内点分布结构的流形,我们计算新颖性概率,并在网络的训练协议上进行改进,证明我们的方法在学习目标类别方面是有效的,并在几个基准数据集上优于最新的先进方法。
- 基于假设驱动的深度学习进行外部分布检测
我们提出了一种基于假设的方法来确定新样本是属于训练集范围内还是超出范围,在黑盒系统中,通过深度神经网络 (DNN) 计算超出范围 (Out-of-Distribution, OoD) 的隐含回应,并将 OoD 检测问题形式化为不同组的隐含回 - 面向可解释、安全的自动驾驶:利用语义嵌入进行新颖性识别和主动学习的框架及真实世界数据集的实验分析
本研究探讨了在自动驾驶数据集中使用语言嵌入进行主动学习的集成,重点关注新颖性检测。提出的方法使用基于语言的表示来识别新颖场景,强调安全接管响应和主动学习的双重目的。通过使用对比语言 - 图像预训练(CLIP)嵌入对数据集进行聚类实验来检测新 - CLAN: 基于对比学习的新颖性检测框架用于人体活动识别
在环境辅助生活中,通过对时间序列传感器数据进行人类活动识别,主要关注预定义活动,通常忽略新的活动模式。本研究提出了一种基于对比学习的 CLAN 框架,用于人体活动识别的新颖性检测,该框架具有多种类型的负样本,并考虑到人类活动的特征挑战,包括 - 投影遗憾:通过扩散模型减少背景偏差用于新颖性检测
通过比较测试图像与其基于扩散模型的投影之间的感知距离以检测异常,Projection Regret (PR) 是一种有效的新颖性检测方法,通过与递归投影进行比较来取消背景偏差,实验证明 PR 在生成模型为基础的新颖性检测方法方面明显优于现有 - 全球模型中集成新颖性检测的简单方法
我们提出了一种将新颖性检测引入世界模型强化学习代理中的直接边界方法,通过利用世界模型产生的虚拟状态与真实观察状态的不一致作为异常得分,有效探测并保护代理在新环境中的性能和可靠性。
- 多样性应对不确定性:学习多样化行为以实现高效适应和迁移
基于转移学习的强化学习智能体在发现给定任务的所有有用解决方案方面至关重要,以应对任务或转移动力学的变化。我们提出了一种简单的方法来发现给定任务的所有可能解决方案,以获得在转移设置中表现良好并能够快速适应任务或转移动力学变化的智能体。我们的方 - 样式驱动的特征排序方法用于强鲁棒性新颖性检测
在这篇研究中,我们提出了一种名为 Stylist 的新方法,通过去除环境偏差特征来改进新颖性检测算法,从而检测与任务相关的语义变化并对抗风格分布的变化。我们证明了这种特征选择机制在包含风格和内容变化的多个数据集上改进了新颖性检测算法。
- OpenPatch: 用于外部分布检测的三维拼接
这篇论文介绍了 OpenPatch 方法,它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示,在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成,并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性 - 阈值式新颖检测的持续改进
在动态、开放的情境中评估时,神经网络在检测未知类别时遇到困难。本文提出了一种新方法,通过线性搜索和基于样本交叉验证选择门槛值,自动适应性地检测新颖性,从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。
- 高保真模拟开放世界中的新颖性适应多智能体规划
本文旨在探索如何让自主智能系统在真实世界的环境中适应、解决并执行计划,针对其中出现的未知问题和新的情况需要进行建模和检测。
- WePaMaDM-Outlier Detection:使用模式方法的加权异常值检测在大规模数据挖掘中
本文提出了与独特的大规模数据挖掘领域相关的 WePaMaDM 异常检测方法,探讨了数据建模在监视、故障检测和趋势分析等异常检测技术中的重要性与意义,同时介绍了半监督任务中的新颖检测方法
- CVPR一种强健的似然函数模型用于新颖性检测
本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题,提出了一个旨在学习强大的新颖性检测正确性的先验;同时,将该先验与最先进的新颖性检测方法相结合,并评估了该方法在攻击存在与否的情况下的性能表现,得到了较好的结果。
- ACL面向 NLP 的新颖性检测和适应性评估统一框架及其在作者归属方面的实例化
该论文介绍了 NoveltyTask,通过评估系统在处理 novelties 方面的性能来开始一个系统性的研究,并将其应用于作者归属任务中,使用 Amazon 评论的数据集进行实验和探索基准方法,最终结果表明该任务具有相当低的性能。
- 开放世界持续学习:统一新颖性检测和持续学习
论文理论证明了,对于 class incremental learning 来说,out-of-distribution detection 实际上是必需的。因此,一个好的 class incremental learning 算法必须要同 - 使用生成对抗网络改进手势数据的新颖性检测
利用生成对抗网络方法训练的人工神经网络对无法识别的手势进行分类,旨在提高手势分类准确率和新手势的识别率。经测试,该方法会导致一些已知手势分类不正确,但这种方式已经可以在训练准确率损失 5% 的代价下取得 95.4% 或 90.2% 的新手势 - 通过调整规划模型学习在开放世界中的操作
在开放世界中,我们介绍了一个适应新颖性的规划领域模型的方法,通过检测行动执行的观察值和环境模型的预期值之间的差异来推断新颖性的存在,并通过启发式导向的模型改变搜索来修订模型。我们在标准的强化学习基准 CartPole 问题上进行实证评估,结 - CVPR基于多标签证据学习的开放集行为识别
提出了一种基于 MUlti-Label Evidential 学习的方法,使用 Beta Evidential 神经网络评估多种不确定性,添加证据去偏执约束来优化模型,并结合不确定性和置信度机制来检测新颖行为,实验表明这一方法在单 / 多演 - 自监督利用探索
本研究提出了一种基于内在动机的算法,采用自监督学习中的蒸馏误差作为新奇检测器,通过经验表明在十种难以探索的环境中,相对于基准模型,该方法能够更快地增长和获得更高的外部奖励,从而提高了在非常稀疏的奖励环境中的探索性能。
- 利用生存分析进行特征识别的网络流量新奇性检测
本文提出了一种利用生存分析和机器学习的方法,成功地通过随机森林,贝叶斯岭回归和线性支持向量回归分类器,将 PSH Flag 计数、ACK Flag 计数、URG Flag 计数和上行 / 下行比例确定为影响网络流量异常检测的主要特征,并提高