OOD 感知的有监督对比学习
原文中文，约400字，阅读约需1分钟。发表于：。使用 SupCon 训练从训练分布中识别外分布样本是机器学习模型安全部署中的重要问题。我们在这项工作中运用强大的 SupCon 学习表征，并提出了一种全面的方法来学习对 OOD 数据稳健的分类器。我们通过增加两个对比项来扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开，而不对辅助数据的相似性产生任何约束。第二个项将 OOD 特征远离现有类原型，并将 ID...
本文介绍了一种使用SupCon学习表征的全面方法，用于训练机器学习模型以识别训练分布之外的样本。该方法通过增加对比项来扩展SupCon损失，以学习对OOD数据稳健的分类器。同时，提出了特征混合技术来高效生成伪OOD特征。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。
