- COOD: 大规模分层分类中使用多个测量值的组合型超出分布检测方法,用于异常和新类别的检测
通过结合不同的出域检测 (OOD) 措施为一个组合出域检测 (COOD) 措施,本研究针对物种识别任务提出了一个能在大规模数据库中、大量的细粒度层级类别、严重的类别不均衡和不同图像质量下应用的框架。在大规模生物多样性数据集上对 COOD 进 - 具有区分度的偏好标签学习与外部数据检测
我们的研究引入了一种名为 PLL-OOD 的新方法,将 Out-of-Distribution(OOD)检测纳入 Partial Label Learning(PLL)框架,通过合并自我监督学习和部分标签损失以及 PE 得分,实现了模型的适 - 深度生成模型的 Fisher 信息度量的近似方法用于异常检测
根据梯度的大小来检测离群数据的深度生成模型无偏方法表现优于典型性测试。
- 指向便携式超声成像乳腺癌分类方法的非同源检测
通过使用三种不同的方法:softmax、能量分数和深度集成,并在三个不同的数据集上进行测试,本研究通过点对点超声图像对乳腺癌进行分类,并发现能量分数方法在两个数据集上优于 softmax 方法,而深度集成方法是最稳健的,在所有三个数据集上最 - 基准测试不确定性分离:专用任务的专用不确定性
通过对 ImageNet 上的多个任务进行综合评估,本文发现尽管有许多有前景的理论努力,实际上还没有实现解缠,同时揭示了哪些不确定性估计器在特定任务上表现出色,为从业者提供了见解,并指导未来研究朝向以任务为中心和解缠的不确定性估计方法。
- 利用神经激活先验的异常检测
基于神经激活先验的针对超出分布检测的方法,利用神经网络的前全局池化层之前的通道的激活概率差异来提取与 ID 样本和 OOD 样本的相关特征,并提出了一种新的评分函数用于强调这些强激活的神经元在超出分布检测中的作用,该方法能够与现有方法有效地 - PUAD: 强大异常检测的令人沮丧地简单方法
开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务,本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。
- AAAI透过对于 Out-of-Distribution 检测的分析了解正态流的可能性和图像复杂度
研究重点是解释深度生成模型中的异常现象机制,提出了 “图像复杂性” 的独立变量概念,并在实验中证明了该问题的有效缓解方法,并在另一个深度生成模型(PixelCNN++)中提供了其假设的潜在应用证据。
- 使用统计过程控制进行离群检测和数据漂移监测
提出了一个机器学习和统计过程控制相结合的框架,用于监测临床设置中影响患者安全的数据漂移问题,并在放射学图像领域进行了实证研究,证明了该框架在不同任务中的有效性。
- 基于归一化流的特征密度估计用于异常检测
基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型,通过密度阈值实现检测,并在图像分类中表现出强大的远外分布数据检测结果,包括 ImageNet-1k 与纹理的 98.2% AUROC,超过现有技术 7.8%。我们还探讨 - ICLR无标签数据如何在区分分布之外的检测中发挥作用?
使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架 SAL(分割与学习)通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器,理论上证明了 SAL 能以较 - 用于异常检测的核主成分分析
利用核主成分分析(KPCA)框架进行异常数据检测,通过非线性核映射来提高内分布和外分布特征的分离性能,实验证明其在效率和性能方面优于现有的最先进的异常数据检测方法。
- ICLR多原型联合学习用于外部分布检测
基于原型混合的 PALM 模型通过多个原型来捕捉样本的多样性,学习更加准确和紧凑的样本嵌入以增强 OOD 检测性能,取得了 93.82 的 CIFAR-100 基准任务的最先进结果。
- 优化参数和神经元修剪用于外样本检测
我们提出了一种名为 OPNP 的优化参数和神经元修剪方法,用于无需训练的离群样本检测,通过评估模型的参数和神经元敏感度,并移除导致过拟合的参数和神经元,从而实现了对未知样本的检测,并在多个离群样本检测任务和模型结构上取得了显著的性能优势。
- ICLR面向外部分布检测的最佳特征塑造方法
特征整形方法用于提高模型在不同类别外样本检测方面的性能,本研究提出一种抽象的优化框架和具体的基于分段常数形状函数的特征整形方法,通过仅利用内部数据,优化该函数,从而在多种数据集和模型架构上提高了模型的泛化能力。
- 全面的 OOD 检测改进
机器学习中,识别推理数据是否超出模型的预期输入分布对于给出预测的上下文至关重要。我们的研究针对基于表示或基于逻辑方法的超出分布检测方法,并提出了用于特征嵌入降维的表示方法和解决了一个问题的基于逻辑方法。我们在 OpenOODv1.5 基准框 - NODI: 带有扩散噪声的离群检测
采用扩散过程将提供整个训练集的信息纳入预测的噪声向量中,并推导出噪声向量的闭合解,将噪声向量转化为用于度量 OOD 的得分。通过在 OOD 基准测试上对比深度模型预测的噪声向量和闭合解噪声向量的表现,我们的方法在所有类型的图像编码器中胜过以 - GOODAT:面向测试时图形外分布检测
该研究介绍了一种名为 GOODAT 的图形局外检测方法,采用一种轻量级图形遮罩技术,通过学习测试样本中的信息子图,能够有效区分局内与局外样本,相较于现有方法具有更好的性能。
- CreINNs:用于分类任务中的置信间隔神经网络的不确定性估计
本研究介绍了一种用于分类任务的全新可信区间神经网络(CreINNs),通过确定性区间捕获权重不确定性,同时使用概率区间的数学框架预测区间集合;对 CIFAR10 与 SVHN 的异分布检测基准进行的实验证实表明,与变分贝叶斯神经网络(BNN - MOODv2:面罩图像建模用于超出分布检测
主要研究了有效的离域检测的关键是获取一个稳健的域内表示,与离域样本有所区别;通过对不同的预训练任务和离域得分函数进行全面分析,发现通过重构预训练的特征表示显著增强了性能,并缩小了各个得分函数之间的性能差距。