- AAAI如何解决超出分布检测的维度诅咒？
机器学习模型在野外部署时可能会受到未知类别的离群数据的挑战。最近对 OOD 检测的进展依赖于距离度量，以区分相对于内部分布数据而言相对较远的样本。尽管有前景，但基于距离的方法可能受到维度灾难问题的困扰，从而限制了在高维特征空间中的功效。为解 - 对每个非分布对象进行分割
提出一种名为 S2M 的方法，将异常得分转换为分割掩码，用于语义分割中的 OoD 检测，通过将异常得分转化为提示来消除阈值选择的需求，实验证明 S2M 在各种基准测试中的 IoU 平均值上超过了现有技术约 10％，F1 平均值上超过了现有技 - ExCeL : 组合极值与集体逻辑信息以增强离群检测
使用 ExCeL 模型结合极端信息和集合信息，提高了在预测时对于认知外数据（OOD）检测的准确性，并在 CIFAR100 和 ImageNet-200 数据集上实现了最佳性能。
- GAIA：基於梯度歸因異常分析的異常檢測
我们提供了一种创新的观点，利用模型尝试解释预测决策时产生的不确定性来量化内分布数据与外分布数据之间的差异，并通过引入异常定义和 GAIA 方法，有效地检测并降低外分布数据在神经网络中的影响。
- 学习增加分布以进行外部分布检测
开放世界分类系统中，鉴别与内部分布不同的外部数据是一个重要问题，利用辅助外部数据进行模型训练可以改善开放世界检测性能。本文从学习理论的角度，通过构建一个包含辅助外部数据 Wasserstein 球中的全部分布的外部分布集，提出了分布增强的外 - 低维度梯度有助于外部分布检测
通过对梯度信息进行线性降维，结合现有的检测评分函数，我们的方法在各种检测任务中展示了卓越的性能，例如在 ImageNet 基准测试中，我们的方法相较于当前最先进方法，在 95% 召回率时，假阳性率平均减少了 11.15%。
- 通过对潜在表示进行高维度测试的自适应不确定性估计
利用数据自适应高维假设检验的新框架对不确定性进行估计，通过对特征表示的统计特性进行测试，以提升对潜在表示中的不确定性的判别能力并实现更准确的不确定性估计，同时引入一种基于家族式测试的过程来确定 ODD 检测的最佳阈值，以最小化假阳性的发现率 - 通过信息外推实现的多样化异常值暴露方法用于外域检测
通过生成多样化的离群点进行外部样本检测，提高模型的可靠性和效果。
- 一个用于数据质量保证中的离群检测的新的统计度量
使用深度学习技术进行特征表示，并开发一种新的统计测量方法进行 OOD 检测。研究通过与其他常见统计测量方法进行比较分析，验证了研究在 OOD 和 AIQM 研究中的可行性和有效性。
- NECO：基于神经崩溃的异常检测
我们介绍了 NECO，一种基于神经元崩溃和主成分空间几何特性的后处理方法，用于检测异常数据。我们的实验结果显示 NECO 在小规模和大规模异常数据检测任务上都达到了最先进的效果，且在不同网络结构上具有强大的泛化能力。
- 利用层间变换平滑性进行识别非分布检测
通过网络中间层之间的转换平滑度，我们提出了一种新的深度神经网络中 OOD 数据检测方法（BLOOD），适用于没有训练数据的预训练模型，并通过在 Transformer 网络上的多个文本分类任务中的评估证明其优越性。
- 训练时间和事后溯源识别增强的规模化
近期的研究中，我们提供了有关最新的超出分布（OOD）检测方法 - 极简激活塑形（ASH）的见解和分析。我们证明了激活修剪对 OOD 检测有着不良影响，而激活缩放则增强了 OOD 检测效果。此外，我们提出了 SCALE，一种简单而有效的后期网 - ICCV最近邻导引的带外分布检测
检测开放环境中机器学习模型的异常样本是至关重要的。通过引入最近邻引导（NNGuide）方法，我们解决了由于边界几何导致的分类器评分过分自信的问题，同时保持了分类器评分的细粒度能力，并在多种设置下，包括 ID 数据自然分布变化的情况下，在 I - 辅助扩散模型的异常想象
使用辅助离群数据集来规范机器学习模型为数据分布外（OOD）检测和安全预测提供了有希望的结果。本文提出了一个名为 DREAM-OOD 的新框架，能够通过扩散模型在像素空间中仅使用分布内（ID）数据和类别想象出逼真的异常值。与先前的工作不同，D - 类别相关性学习用于外部分布检测
本文介绍了一种针对 out-of-distribution（OOD）检测的创新类相关性学习方法，该方法在 OOD 管道中策略性地利用了类间关系，显著增强了 OOD 检测能力。在包括通用图像分类数据集（近 OOD 和远 OOD 数据集）的多样 - 面向未知领域的有效语义 OOD 检测：基于领域泛化的视角
语义领域间异常检测方法同时解决多个分布转变，并通过提出的领域泛化和异常检测正则化策略，在三个领域泛化基准测试中展示了其对于异常检测性能的卓越表现以及相当的 InD 分类准确度。
- 多实例学习中的未知样本检测
机器学习中的弱监督学习和多实例学习框架下的离群分布检测的重要性和挑战，以及当前已有方法的不足和需求。
- HAct: 基于神经网络激活值直方图的离域检测
我们提出了一种简单、高效、准确的方法，用于检测经过训练的神经网络中的离群分布数据，这是离群分布泛化方法的潜在第一步。我们提出了一种新颖的描述符，HAct - 激活直方图，用于离群分布检测，即神经网络层输出值的概率分布（通过直方图表示）受到传 - ICCV持续证据深度学习用于外部分布检测
该研究论文提出了一种将证据深度学习方法与持续学习框架相结合的方法，能够同时进行增量对象分类和越界检测，在 CIFAR-100 数据集上的实验结果显示，该方法在对象分类和越界检测方面表现出色。
- 增强自动化和早期检测阿尔茨海默病的能力：利用超出分布检测
利用 CNN 和 OOD 检测来改进 MRI 分类，从而降低假阳性率，消除 Machine Learning 模型在医疗任务中的重要劣势。