- ICLR基于能量的图神经网络异常检测
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。
- 拓展域检测不是你所需要的全部
本文讨论了深度神经网络在安全临界系统中的应用,提出了基于模型范围的监控方法,并与常用的基于数据范围的监控方法进行了比较,证明了前者具有更高的有效性,并发现删除错误训练数据样本可以帮助更好地训练监控。
- 超越马氏距离评分的文本 OOD 检测方法
该论文介绍了一个新的用于识别分布转移的未监督 OOD 检测器 TRUSTED,它基于变压器架构和数据深度的概念,实现了高效计算和最好的性能,能够有效地提高深度学习在实际应用中对于自然语言处理系统的适用性。
- Perceptron 偏置的扩散去噪处理在超分布检测中的应用
本文提出了一种新的 OOC 检测方法,探讨了鉴别模型在特定区域中对数据更敏感,借此提出了基于扩散模型的检测方法和指标分数,结合鉴别模型和生成模型进行检测,实验结果表明该方法在 CIFAR10 和 CIFAR100 数据集上有竞争力。
- WSDMGOOD-D: 无监督图形外分布检测
本研究旨在通过无监督学习的方式,利用图像对 OOD 图像进行检测,提出了一种基于对比学习的 GOOD-D 图像对比学习框架,并使用基于层级对比学习的方法捕捉潜在的 ID 模式,能够在不使用任何 ground truth 标签的情况下准确检测 - EMNLPUniNL: 通过统一邻域学习将表示学习与评分函数对齐,实现 OOD 检测
本文提出了一种统一的邻域学习框架 (UniNL) ,用于检测对话系统中的 OOD 意图,该方法在两个基准数据集上的实验证明了其有效性。
- 鲁棒语言模型的伪 OOD 训练
本文提出 POORE - POsthoc pseudo-Ood REgularization 框架,通过在内部数据中生成伪 OOD 数据进行 fine-tune,通过引入新的正则化损失来分离 IND 和 OOD 数据的嵌入,提高了 OOD - AAAI利用混合未标记数据检测已知和未知失配类别样本
本研究主要解决有限标记数据和丰富无标记数据可用的更加现实的情况下的 OOD 检测问题。我们提出了一种自适应的基于样本熵和适当温度选择潜在 ID 和 OOD 样本的方法 (AIOL),并利用数据扩充技术进一步提高了其性能。我们在多种基准数据集 - COLING基于贝叶斯近似的领域外检测分布校准
本文提出了一种基于贝叶斯模型和 Monte-Carlo Dropout 技术的 OOD 检测框架,能够有效减少训练集和测试集分布的不匹配所导致的不确定性,从而提高 OOD 的 F1 得分。
- ECCV离分布数据的价值
在本研究中,我们发现了一个反直觉的现象:在涉及目标任务的样本数量增加之前,由于少量的来自未知分布数据的样本,可以提高任务的泛化性能,但随着样本数量的增加,泛化误差达到阈值后会逐渐下降;我们采用合成数据集上的 Fisher's Linear - 基于极值的图像分类异常检测方法:XOOD
本研究提出了一种基于极值的新型 OOD 检测框架 XOOD,包括两个算法:完全无监督的 XOOD-M 和自我监督的 XOOD-L,两者都依赖于神经网络中激活层数据的极值信号以区分内部分布和 OOD 实例。实验证明,XOOD-M 和 XOOD - 任务无关和事后未见分布检测
提出了一种聚类集成模型 TAPUDD 方法,能够在凸显出 of-distribution (OOD)、异常检测和不确定性估计任务的基础上,有效地检测不同任务中的未见样本,并且优于现有基线方法,解决了找到最佳聚类数量值的问题,并且能够可靠、高 - ECCV深度集成多样性用于外部分布检测的可用性
深度学习中用深度集成方法提升神经网络的鲁棒性能,在大规模图片数据集中使用互信息指标 (OOD)的检测效果比单一模型的熵指标要劣 30-40%,使用集成多个分类器的检测得分对 Deep Ensemble OOD 检测性能有着更好的提升表现 。
- MM图像字幕中检测识别外部分布的基线算法
本文探讨了图像标注中的 OOD 检测问题,并提出了评估模型性能的方法。此外,研究分析并展示了使用标题可能性得分来检测和拒绝 OOD 图像的有效性。
- 神经网络定位锚定实现的分布外检测
本文目的在于利用异方差温度缩放作为一种校准策略来检测非分布数据。提出一种新的训练策略,称为锚定,可以估计每个样本的适当温度值,从而实现在几个基准测试中最先进的 OOD 检测性能。通过实验研究,我们建立了一种高度有效的 OOD 检测方法。
- 长尾细粒度皮肤病变图像的 外分布检测
本文提出了一种更有效的方法以提高对样本外(未知皮肤病变和条件)样本的检测性能,同时维持所知皮肤病变种类的多类分类准确性,并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。
- 在構建越域檢測器時,正確分類預測樣本至關重要:對 Marek 等人(2021)的答覆
本论文探讨了利用生成对抗网络生成伪 OOD 样本来提高基于 IND 分类器对 OOD 样本检测性能的方法,并通过熵正则化项进行优化,同时观察研究表明更强的 IND 分类器能更好地识别 OOD 样本,希望这些发现可对其他研究人员提供有益的帮助 - 无需领域内标签:文本领域外检测
本研究旨在解决无法获取 in-domain 数据标签的情况下,从语言模型和表示学习的角度,通过无监督的聚类和对比学习的结合,对 OOD 检测进行更好的数据表示学习,实验证明该方法的性能显著优于基于概率的方法,并且可以与基于标签信息的监督方法 - KDD适应层深度神经网络用于区分分布外数据
本文提出了一种新的适用于深度神经网络(DNNs)的层自适应 OOD 检测框架(LA-OOD),该框架能够充分利用中间层的输出,通过在中间层同时训练多个 One-Class SVM OOD 探测器,以利用在 DNNs 不同深度上编码的完整光谱 - 基于预训练模型 CLIP 的零样本外部分布检测
本文研究零样本数据识别问题,提出了一种基于多模态表示学习的方法,名为 ZOC,通过对图像进行文本描述生成和置信度评分来实现未知分类的检测,并在 5 个基准数据集上展现了比基准方案更好的性能。