实体
OpenOOD
OpenOOD
PulseAugur coverage of OpenOOD — every cluster mentioning OpenOOD across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
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。
-
新的ASAT框架通过人类反馈改进分布外检测
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。
-
新研究分析视觉模型计算路径以改进 OOD 检测
研究人员开发了一种新方法来分析视觉模型的内部工作原理，重点关注样本在模型层中经过的“表示轨迹”或计算路径。该方法将中间层视为连接状态而非静态快照，揭示了表示如何演变。研究发现，在各种模型类型和数据集上，这些路径表现出一致的样本特定连续性和架构特定深度剖面。这种分析提供了有价值的可靠性信号，尤其是在视觉干扰和语义距离较大的变化情况下，能够改进分布外检测和图像分类性能。