BriefGPT - AI 论文速递
·
外部分布检测应该使用符合性预测（反之亦然？）
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了使用SupCon方法训练机器学习模型以识别外分布样本的重要性。作者提出了一种全面的方法来学习对OOD数据稳健的分类器，并通过增加对比项扩展SupCon损失。实验结果表明，该方法在常见基准测试中取得了最先进的结果。
🎯
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。
-
提出特征混合技术以高效生成伪OOD特征，当辅助OOD数据不可用时。
-
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检测方法比较，展示了最先进的结果。
➡️
