新研究比较了AI分布外检测的训练目标

一篇新的研究论文系统地比较了图像分类中分布外（OOD）检测的四种训练目标。该研究使用OpenOOD协议和ResNet-18模型评估了交叉熵损失（Cross-Entropy Loss）、原型损失（Prototype Loss）、三元组损失（Triplet Loss）和平均精度（AP）损失。结果表明，虽然交叉熵损失、原型损失和AP损失在分布内准确率方面表现相似，但交叉熵损失通常提供最一致的OOD检测性能。 AI

影响 通过比较不同的训练方法，为优化AI模型在安全关键应用中的鲁棒性提供了见解。

排序理由 发表在arXiv上的研究论文，详细介绍了对OOD检测训练目标的系统比较。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Average Precision (AP) Loss
• Furkan Genç
• Cross-Entropy Loss
• OpenOOD
• Prototype Loss
• ResNet-18
• Triplet Loss

• 论文
• 安全

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