BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
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。
- 当辅助OOD数据不可用时，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，展示了最先进的结果。
🏷️
标签
➡️
