PulseAugur
中
实时 10:33:51
English(EN) ASAT: Adaptive Scoring and Thresholding with Human Feedback for Robust Out-of-Distribution Detection

新的ASAT框架通过人类反馈改进分布外检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的循环式ASAT框架，旨在增强机器学习模型分布外（OOD）检测的鲁棒性。ASAT利用实际OOD输入的反馈，实时动态更新评分函数和阈值。这种自适应方法旨在最大化真阳性率，同时在系统演变的情况下，严格控制平稳条件下的假阳性率。在OpenOOD基准上的广泛评估表明，ASAT的性能优于现有方法，尤其是在适应非平稳条件期间保持FPR控制方面。 AI

影响 通过改进分布外检测，增强了机器学习模型在实际部署中的安全性和可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了一种用于机器学习中分布外检测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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ASAT框架通过人类反馈改进分布外检测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Daisuke Yamada, Harit Vishwakarma, Ramya Korlakai Vinayak ·

    ASAT：基于人类反馈的自适应评分和阈值设定，用于鲁棒的分布外检测

    arXiv:2505.02299v2 Announce Type: replace-cross Abstract: Machine Learning (ML) models are trained on in-distribution (ID) data but often encounter out-of-distribution (OOD) inputs during deployment---posing serious risks in safety-critical domains. Recent works have focused on d…

相关实体

相关话题