PulseAugur
中
实时 17:29:26
English(EN) Exploiting Local Flatness for Efficient Out-of-Distribution Detection

新方法增强AI模型的分布外检测能力

作者 PulseAugur 编辑部 · [3 个来源] ·

两篇新研究论文提出了用于检测机器学习模型中分布外（OOD）数据的新颖方法。第一篇论文《利用局部平坦性实现高效的分布外检测》介绍了Fold和AutoFold，它们利用Hessian曲率更有效、更高效地区分分布内和分布外数据。第二篇论文《MaRS：通过马氏残差评分实现鲁棒的分布外检测》提出了MaRS，一种在潜在特征空间中使用重构残差上的马氏距离来改进OOD检测的方法，特别适用于医学成像。 AI

影响 这些新方法旨在通过更好地识别和处理不熟悉的数据来提高AI系统的可靠性和安全性，这对于实际部署至关重要。

排序理由 两篇在arXiv上发表的学术论文，提出了新的分布外检测方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

新方法增强AI模型的分布外检测能力

报道来源 [3]

  1. arXiv cs.LG TIER_1 English(EN) · Gianluca Guglielmo, Marc Masana ·

    用于事后分布外检测的排序激活偏移

    arXiv:2604.08572v2 Announce Type: replace Abstract: State-of-the-art post-hoc out-of-distribution detection methods rely on intermediate layer activation editing. However, they exhibit inconsistent performance across datasets and models. We show that this instability is driven by…

  2. arXiv cs.AI TIER_1 English(EN) · Seonghwan Park, Hyunji Jung, Dongyeop Lee, Namhoon Lee ·

    利用局部平坦性实现高效的分布外检测

    arXiv:2606.29952v1 Announce Type: cross Abstract: Detecting out-of-distribution (OOD) data is crucial for reliable machine learning deployment. Among detection strategies, post-hoc methods are particularly attractive due to their efficiency, as they operate directly on pre-traine…

  3. arXiv cs.LG TIER_1 English(EN) · Francesco Di Salvo, Sebastian Doerrich, Christian Ledig ·

    MaRS：通过马氏残差评分实现鲁棒的分布外检测

    arXiv:2606.22649v2 Announce Type: replace-cross Abstract: Foundation models provide highly descriptive representations for medical images, yet their reliability degrades under distribution shifts arising from changes in patients, devices, or acquisition conditions. Reliable out-o…

相关实体

相关话题