- CoNAL：使用大型语言模型预测异常值
提出一种名为 CoNAL 的文本分类方法，该方法包括生成新类别的样本与使用对比学习等两个步骤来降低模型对于新类别的过度自信，实验结果表明与其他方法相比在不影响模型对已有类别分类能力的前提下，CoNAL 在处理新类别上有着更好的性能。
- 基于连通性重构的新奇性检测
本研究提出了一种简单而高效的基于重构的方法，用于检测计算机视觉中的分类外样本，该方法不仅具有比 GAN 等模型更好的性能，还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上， - SHELS：无需类别界限的新颖性检测和连续学习专有特征集
本文介绍了一个基于 Sparse High-level-Exclusive, Low-level-Shared 特征表示方法 (简称 SHELS) 的深度神经网络模型，该模型利用高层特征的独特性来自动检测 OOD 数据，并通过稀疏低层特征的 - NovelCraft: 开放世界中的新颖性检测与发现数据集
本研究介绍了一个新的基准数据集 NovelCraft，包含在 Minecraft 环境中完成跳跃球组装任务的代理人所看到的图像和符号世界状态的多模态故事数据。进一步的多模态新颖性检测实验表明，融合视觉和象征信息的方法能够提高检测时间和总体识 - AI 自主性：自发性、适应性和持续学习
本文提出了一个名为 SOLA 的框架，旨在促进构建具有自主和持续学习能力的人工智能代理的研究，该框架能够自主地检测、适应和学习未知情况，并且描述了一个实现的代理来证明其可行性。
- 生成对抗探索强化学习
本文提出一种新方法，即生成对抗性探索 (GAEX)，来通过引入来自生成对抗网络的内在奖励，鼓励强化学习中的探索，以帮助鉴别是否访问了新颖的状态，而不是像以前的工作一样仅依赖于启发式规则或距离度量。实验结果表明，在 DQN 上应用 GAEX， - 基于梯度的自监督二分类增强新颖性检测
本文提出了一种基于自监督的新颖性检测方法，通过计算入内分布数据（in-distribution）和待检测的外部分布数据（OOD）之间的梯度马氏距离，并借助自监督二元分类器协助选择标签以优化梯度的方法，将其应用于数据监控、行为分析和其他应用， - 异常、新颖性、开放集和分布外检测的统一调查：解决方案及未来挑战
本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中，如何识别和检测来自于训练集分布之外的样本，从而提出了跨领域的研究方向，这对提高模型的鲁棒性具有重要意义。
- AAAI自主 AI 代理的自发式开放世界学习
该论文提出了一个理论框架来推动构建自我发起的开放世界学习（SOL）代理的研究，讨论和解决了在实现完全自主可学习代理方面的挑战，特别是如何自动化地检测未知的情况或新奇情况，并适应或调整代理以从中学习，提高代理的适应能力和任务性能。
- MM广义的异常检测：综述
本文首先提出一个通用的 OOD 检测框架，其中包括了另外四个相关问题的特例或子任务，然后重点回顾了这五个领域的最新技术发展，特别是 OOD 检测方法，并总结了开放的挑战和潜在的研究方向。
- 开放集合识别综述
本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新 - OpenMatch: 半监督学习的开集一致性规则化处理技术，适用于带有离群数据
本文提出了一种称为 OpenMatch 的开放集半监督学习方法，该方法利用 novelty detection 基于 one-vs-all classifiers 来拒绝处理 unlabeled data 中的离群值，同时引入了开放集软一致 - 使用敌对式上下文掩模的一类学习型编码器 - 解码器网络用于新奇性检测
研究了使用新型的自编码器方法来提高新颖性检测，使用 Mask Module 生成最优的遮罩，通过两个竞争的网络来优化输入遮罩，达到了比传统方法更好的效果。
- AAAIOAAE：通过正交潜空间进行多模态正常情况下的新颖性检测的对抗自编码器
本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法，通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较，实验结果表明该方法优于那些算法。
- 基于对比学习的分布偏移实例新颖性检测
提出一种基于对比学习的简单而有效的方法，用于学习适合于新颖性检测的表示，并设计了一个基于该表示的评分方法。该方法通过对样本生成的分布进行平移增广来提高准确性，并在各种新颖性检测场景下，包括无标签单类，无标签多类和有标签多类设置，以及各种图像 - 通过稳健的变分自编码实现新颖性检测
本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。
- ARAE：对抗性训练的自编码器提高了新颖性检测
本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。
- ICLR通过图像模糊进行新颖性检测
本文针对传统的 OOD 检测模型基于变分自编码器或随机网络蒸馏的模型，对模糊图像也有较高的确定性评分的情况，提出了一种能够利用模糊图像数据训练的基于 RND 的创新检测模型 ——SVD-RND，在多种领域中表现优越，并证明该模型能够学习到更 - 利用差分隐私的强鲁棒性异常检测与后门攻击检测
本篇论文提出了差分隐私可以用于改善异常检测、新奇性检测、以及背门攻击检测的效果，并通过理论分析和广泛实验验证了差分隐私在这些任务中的帮助.
- ICML基于正向传播的工业时间序列数据新颖性检测方法
Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional metho