研究人员引入了一个名为基于组件的分布外检测（CoOD）的新框架，以提高识别分布外数据的准确性。该方法将输入数据分解为功能组件，以更好地检测细微的偏移和组成不一致性。CoOD旨在克服现有方法在抑制局部线索或在噪声数据下不稳定等方面的局限性。该框架利用组件偏移分数（CSS）和组成一致性分数（CCS）在粗粒度和细粒度分布外检测中实现性能提升。 AI
影响 引入了一个新颖的框架，用于更鲁棒的分布外检测，有可能提高AI模型在现实场景中的可靠性。
排序理由 该集群包含一篇详细介绍分布外检测新框架的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Out-of-Distribution (OOD) detection requires sensitivity to subtle shifts without overreacting to natural In-Distribution (ID) diversity. However, from the viewpoint of detection granularity, global representation inevitably suppress local OOD cues, while patch-based methods are …
Out-of-Distribution (OOD) detection requires sensitivity to subtle shifts without overreacting to natural In-Distribution (ID) diversity. However, from the viewpoint of detection granularity, global representation inevitably suppress local OOD cues, while patch-based methods are …