- 监督对比原型学习：无数据增强的强鲁棒神经网络
通过引入 supervised contrastive prototyping learning 框架，可以提高 DNN 模型的鲁棒性和学习 nuance 不变性表示，在样本高效、不需要 sample mining 的情况下可以替代 sof - 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， - 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 - POODLE：通过惩罚分布外样本来提高少样本学习能力
利用来自目标分类之外的未标记样本来改进少样本学习，从而通过最大化样本距离，实现驱动分类器避免不相关特征，有效提升有不同结构的预训练网络的性能。
- 文本分类中识别、检测和区分超出分布样本和对抗样本
对比分析了文本分类模型中常见的三种输入样本：分布内、分布外和对抗样本，并提出一种基于模型隐藏表示和输出概率的简单方法，有效地区分了这三种输入样本。
- CVPR重新思考基于重构自编码器的异常检测
使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。
- ICCVNGC：基于开放世界嘈杂数据的统一学习框架
本文旨在研究学习包含混合 IND 和 OOD 噪声数据集的分类器和 OOD 检测器，提出了一种名为 Noisy Graph Cleaning (NGC) 的新型基于图的框架，通过利用数据的几何结构和模型预测置信度收集干净样本，并可以在测试阶 - ICCVMG-GAN：一种多生成器模型，防止行人轨迹预测中的样本越界
本研究针对行人轨迹预测中存在的不确定和多模态问题，提出了一种基于多生成器模型和条件分布的预测方法，可以有效地减少模型预测错误率。
- ICCV垃圾变宝藏：通过跨模态匹配收集 OOD 数据，用于开放式半监督学习
本文提出了一种新的开放式半监督学习方法，通过预热训练、交叉模态匹配等手段，在不将数据集中的 OOD 样本完全过滤掉的前提下，实现了更好的特征学习并判断 OOD 样本，取得了比现有技术更优的性能。
- IJCAI基于模型的脱机 Planning 与轨迹剪枝
本研究提出了一个新型的轻量级基于模型的离线规划框架 MOPP，通过通过学习数据中的行为策略鼓励更激进的轨迹回放，并修剪出问题轨迹，以避免潜在的超出分布样本，相对于现有模型的离线规划和 RL 方法表现更具有竞争性。
- 神经元覆盖引导的领域泛化
这篇论文研究了如何通过最大化深度神经网络的神经元覆盖率和使用梯度相似性正则化来改善域泛化任务中对于未知样本的决策能力，并通过对网络解剖的可视化分析证明了该方法的合理性和有效性。
- 一个不可思议的先验来减少依赖快捷方式
研究了深度网络在 o.o.d. 样本下的推广问题，提出了使用浅层结构的低容量网络侦测卷积神经网络中的 superficial features，从而避免过度依赖 “捷径” 解决问题，并鼓励深层次学习。实验证明，这种两阶段的 LCN-HCN - ECCV一种用于开放集半监督学习的多任务课程框架
本文提出了一种多任务课程学习框架，旨在解决开放集合 SSL 中的未知样本问题，通过同时训练模型的正常分类能力和未知样本的检测能力，成功地消除了未知样本的影响。
- ICML通过改进蒸馏技术实现高效的评估时不确定性估计
该研究旨在通过修改知识蒸馏过程，获取计算有效的深度网络不确定性估计，并在包括以及超出分布样本中实现最先进的不确定性估计。
- 利用马氏距离改善重建自编码器的 OD 检测
本文针对在安全关键应用中如自主车辆系统的分类验证需求，提出了在潜变量空间中使用马氏距离来捕获偏离已知正常样本和模型参数定义的潜变量流形之间的异常值，以提高异常检测性能。