BriefGPT - AI 论文速递
·
SGOOD：子结构增强的图层级外分布检测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了一种使用SupCon训练模型以识别外分布样本的方法，通过增加对比项扩展SupCon损失，将OOD特征与ID特征分开，并将OOD特征远离现有类原型。该方法在常见基准测试中与不同的OOD检测方法进行了比较，并展示了最先进的结果。
🎯
关键要点
- 使用 SupCon 训练识别外分布样本是机器学习模型安全部署中的重要问题。
- 提出了一种全面的方法来学习对 OOD 数据稳健的分类器。
- 通过增加两个对比项扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开。
- 第二个项将 OOD 特征远离现有类原型，并将 ID 表征推近其对应的类原型。
- 提出了特征混合技术来高效生成伪 OOD 特征。
- 解决方案简单高效，是闭集监督对比表征学习的自然扩展。
- 在常见基准测试中与不同的 OOD 检测方法进行了比较，并展示了最先进的结果。
➡️
