BriefGPT - AI 论文速递
·
OAML：用于 OOD 检测增强的异常值感知度量学习
💡
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方法识别外分布样本的重要性。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。使用特征混合技术生成伪OOD特征。该方法在基准测试中展示了最先进的结果。
🎯
关键要点
- 使用SupCon方法识别外分布样本在机器学习模型安全部署中至关重要。
- 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。
- 在辅助OOD数据不可用时，使用特征混合技术生成伪OOD特征。
- 该方法简单高效，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。
➡️
