- 通过附件捕捉更多的不确定性来进行贝叶斯推理
基于贝叶斯神经网络的附加结构（ABNN）用于从新颖数据中提取不确定性，通过集成来自内部和外部数据的不确定性来改善性能，并通过理论分析和实验证实其优越性。
- 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。
- 朝向基于因果关系的深度学习漏洞检测
该研究论文介绍了引入因果关系到深度学习漏洞检测中，通过设计新的扰动和应用因果学习算法来去除非稳健特征，从而提高模型的准确性、稳健性和泛化能力。
- DualAug: 利用 OOD 数据拒绝扩展增强技术
数据增强是减少模型过拟合和提高泛化性能的一种主要方法。本研究揭示了数据增强与模型性能之间的关系，提出了一种名为 DualAug 的新型数据增强方法，并通过各种实验证明其在各种自动化数据增强方法以及半监督学习和对比自监督学习中的改进效果。
- 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。
- 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用于单目深度估计的区外检测
基于重构误差，我们提出了一种检测 encoder-decoder 深度估计模型中的 out-of-distribution 图像的方法，并通过实验证明其在不同模型上的性能优于现有的不确定性估计方法，而无需修改已训练的 encoder-dec - GradOrth: 基于梯度正交投影的简单且高效的外样本检测
我们提出了一种名为 GradOrth 的新方法，通过计算对于内分布数据重要的子空间上梯度投影的范数，从而识别出分布外数据。与现有方法相比，该简单而有效的方法在平均假阳率 95% 真阳率（FPR95）下的表现有显著提升，假阳率降低了高达 8% - 开放世界中的半监督目标检测
在这篇论文中，我们提出了一个名为 Open World Semi-supervised Detection（OWSSD）的框架，该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据，并从中学习，我们通过大量 - 解决图神经网络中本地化训练数据的影响
通过规范化方法，适应并改善模型在局部训练数据和整个图预测过程中的表现，提高图神经网络模型对非分布式数据的适应能力和泛化性能。
- 模糊不会使分类器失效：利用不变的预测来利用偶然特征
通过稳定特征为引导，在无标签情况下，借助可靠的特征来学习如何在测试领域使用不稳定特征，从而避免在分布不同的数据上的失败。
- 使用双向编码器视觉变换器进行领域泛化
本文旨在探讨如何在面对数据分布与所训练模型不同的情况下，通过使用视觉转换器架构进行域泛化，并取得了显著的验证和测试准确度提高，成功地克服了内部分布和超出分布数据之间的差距。
- MoP-CLIP: 针对领域增量学习的 Prompt-Tuned CLIP 模型混合
提出了一种基于 CLIP 模型的多提示混合学习方法，用于解决领域增量学习中遇到的忘却和分布漂移问题，并表明该方法在标准的领域增量学习设置中表现出色，而在超出分布的情况下表现更好。
- 通过最优传输表征超出分布误差
提出了一种新的利用最优传输理论来估计模型在无标签 out-of-distribution 数据上表现的方法，该方法称为置信度最优传输（COT），并且通过引入阈值处理的方法 Confidence Optimal Transport with - 文本分类中的外域泛化：过去、现在和未来
本篇研究论文探讨了自然语言处理中机器学习系统在处理超出标准数据集范畴的数据时的适用性，并在文本分类中研究了其可靠性及可能存在的偏差。此外，本文对该主题的最新进展、方法和评估进行了综述，并讨论了涉及的挑战和未来的研究方向。
- 深度神经网络中基于潜空间统计推断的不确定性量化
本文提出了一种新的算法，通过利用深度神经网络分类器中数据点的潜在空间表示来评估其预测的准确性，该方法可以检测出分布之外的数据点被不正确地预测，从而有助于自动检测异常值。
- 视觉问答中语言模态的实证研究
本文通过一系列实验，探究语言模态对视觉问答模型在超出其学习领域的数据上的影响，提出简单的方法来减少模型对语言先验的依赖并在 out-of-distribution 测试集上提高性能。
- 关于伪标记在类别不匹配半监督学习中的应用
该论文以 Pseudo-Labeling 为代表的 SSL 方法为研究对象，探究了未标记的 Out-Of-Distribution 数据对于类异构 SSL 方法的影响。研究发现，不平衡的伪标签是 PL 方法存在的主要问题。本文提出了两个改进 - ECCV提高置信度估计的可靠性
本研究提出了一种基于元学习的框架来同时提高置信度估计模型在不均衡数据和各种数据输入情况下的表现，并在单目深度估计和图像分类任务中进行了验证。
- 一次双赢的交易：朝着稀疏和鲁棒的预训练语言模型迈进
本文研究细粒度子网络（SRNets）在预训练语言模型（PLMs）中的应用，尤其是在处理 Out-of-Distribution 数据方面的可行性。我们对 BERT 模型进行了广泛的实验，结果表明 SRNets 在不影响性能的情况下可以通过不