PulseAugur
中
实时 07:35:36
English(EN) Beyond Perceptual Distance: Discrepancy Assessment on Deep Representation for Out-of-Distribution Detection with Diffusion Model

新的DDR框架利用扩散模型增强分布外检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为DDR的新框架，用于使用扩散模型进行分布外（OoD）检测。该方法不在原始图像空间中评估差异，而是在被保护分类器的表征空间内进行评估。DDR量化特征级别的协变量差异和logit级别的概念差异，并优化扩散模型的生成以提高检测准确性。在ImageNet-1K上的实验表明，DDR的性能优于现有方法。 AI

影响 通过增强AI模型识别不熟悉数据的能力，引入了一种提高AI模型可靠性的新方法。

排序理由 论文发表在arXiv上，详细介绍了一种新的分布外检测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的DDR框架利用扩散模型增强分布外检测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Kun Fang, Zuopeng Yang, Haibo Hu, Xiaolin Huang, Jie Yang, Qinghua Tao ·

    超越感知距离：基于扩散模型的深度表征差异评估用于分布外检测

    arXiv:2409.10094v3 Announce Type: replace-cross Abstract: Out-of-Distribution (OoD) detection aims to justify whether a given sample is from the training distribution of the classifier-under-protection, i.e., In-Distribution (InD), or from an unknown out distribution. Recent rese…

相关实体

相关话题