新的信息论框架增强了神经网络中的分布外检测

研究人员开发了一个新颖的信息论框架，用于构建改进神经网络中分布外（OOD）检测的特征。该框架使用一个两项损失函数：一项使用Kullback–Leibler散度分离分布内和分布外特征分布，第二项基于信息瓶颈原理，倾向于保留分布外信息的压缩特征。采用变分过程来优化此损失并生成分布外特征，该特征在分布外基准测试中的表现优于现有方法。 AI

影响 该框架为构建更好的分布外检测特征提供了一种原则性的方法，有望提高现实世界场景中人工智能系统的可靠性和安全性。

排序理由 该集群包含一篇学术论文，详细介绍了改进机器学习特定方面（分布外检测）的新理论框架和方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• information bottleneck
• Kullback–Leibler divergence
• ScienceCast
• Sudeepta Mondal

• 论文
• 模型发布

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