- ICML自信感感知的对比学习用于选择性分类
选择性分类是在高风险场景中提高安全性和可靠性的一种方法，本研究提出了一种基于置信度感知对比学习的新型选择性分类模型，该模型通过改进特征层次来提高选择性分类的性能，实验证明它明显降低了选择性风险。
- 分布偏移下的选择性分类
通过广义选择性分类，我们提出了两种新的边缘得分函数，用于基于深度学习分类器的广义选择性分类，并通过广泛的分析和实验表明，我们的方法在各种分类任务和深度学习分类器上比现有方法更有效和可靠。
- SCOD: 从启发式到理论
在存在外部样本时面临选择性分类问题的可靠预测模型的设计，我们提出了三个关键贡献。首先，我们证明最优的 SCOD 策略采用了贝叶斯分类器用于分布内数据和一个在二维空间表示为随机线性分类器的选择器，利用了分布内分类器的条件风险和分布内外数据的似 - 理解标签平滑削弱选择性分类的原因及修复方法
标签平滑是一种用于训练深度神经网络分类器的流行的正则化方法，它通过均匀分布概率质量到其他类别来减少过拟合。然而，本研究揭示了标签平滑对选择性分类产生负面影响，并通过分析逻辑斜率梯度解释了这一现象。我们发现，采用逻辑斜率归一化的方法可以恢复由 - 深度神经网络选择性分类基准测试
通过对包含图像和表格数据的多样化数据集进行实证评估，该研究对 18 种基线模型进行基准测试，比较了它们在选择错误率、实证覆盖率、被拒绝实例类别分布以及在分布外实例上的性能等多个方面的表现，结果显示没有一个明确的最佳方法，最好的方法取决于用户 - 临床试验结果预测的不确定性量化
在临床试验结果预测中，将不确定性量化、选择性分类和层次交互网络（HINT）相融合的方法显著提高了模型的性能，其中 PR-AUC 指标相对基础模型提高了 32.37％、21.43％和 13.27％，在预测 III 期试验时达到了 0.9022 - 救援领域转变的医疗图像自动诊断中的转诊失败
对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。
- 点云异常检测的逐点弃权惩罚学习
基于 LiDAR 的语义场景理解是现代自动驾驶感知系统中的一个重要模块。然而，LiDAR 点云中的区分开分布点 (OOD) 是具有挑战性的，因为与 RGB 图像相比，点云缺乏语义丰富的特征。我们从选择性分类的角度重新审视了这个问题，该分类在 - 通过后续逻辑归一化和温度缩放改善深度神经网络的选择分类表现
本文介绍了一种简单高效的后验置信度估计器 - $p$-NormSoftmax，它可以大幅提高预训练模型的选择性分类性能，并在实验中证明了此方法的有效性。
- 基于 AUC 的选择性分类
本文提出了一种模型不可知的方法，将一个选择函数与给定的概率二元分类器相关联，以最优化 AUC，并且通过使用 AUCROSS 算法来取得成功，从而在交换覆盖率和 AUC 之间达到最佳平衡。
- 利用 softmax 信息对于外部数据进行选择性分类的扩充
本研究针对在深度学习中的视觉识别任务中所出现的 out-of-distribution (OOD) 数据进行了检测，提出了一种基于 softmax 信息保留组合（SIRC）的分类方法，在不影响对 in-distribution 数据（ID） - 朝着更好的选择性分类
本文提出了一种在分类器内部实现选择机制的方法与一种基于熵的正则化器，并取得了新的最高水平表现。
- ICLR选择性分类可能放大群组间的差异
本文研究了分类模型的选择性分类方法，发现在存在虚假相关性时，选择性分类可以提高平均准确度，但会放大不同群体之间的准确度差异。我们的分析表明，对于对称边缘分布，选择性分类是通过完全覆盖（即没有犹豫）下的准确度和分布是否满足左对数凹性质来确定改 - 通过单侧预测进行选择性分类
本研究提出了一种新颖的选择性分类方法，采用单边预测松弛技术优化分离的类别 - 单侧经验风险，达到准确度和覆盖率的平衡，并在实验中表明其在小误差水平下比现有方法表现更优。
- 深度赌徒：使用投资组合理论学习戒赌
本文提出了一种基于赌博翻倍率的损失函数，通过将原本的多分类问题转化成带有拒绝选项的问题，实现了在最佳数据覆盖率下的最佳性能。该损失函数不需要对模型推理算法或架构进行修改，可以有效地处理神经网络训练中的不确定性，同时在 SVHN 和 CIFA - ECCV增强属性的有选择性零样本分类
通过使用人工定义和自动发现到的残差属性，提出了一种基于选择性零样本分类器，通过在人工定义属性的子空间中进行预测并使用定义和残差属性来度量预测置信度，以解决分类器在选择分类场景中做出可疑预测的问题，并在多个基准测试中证明了其优异的表现。
- AAAI使用混合高斯变分自编码器抵抗对抗攻击
本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。
- 深度神经网络的选择性分类
本文提出了一种构造选择分类器的方法，可在风险可控的情况下使用深度神经网络进行分类，解决了在深度神经网络中使用拒绝选项技术的问题，有效提高了分类器性能，成功实现了在 ImageNet 上顶部 5 项分类的 2% 错误率，并且测试覆盖率达到近