BriefGPT - AI 论文速递
·
在网页噪声数据集中，准确的检测并不是你对抗标签噪声所需的全部
💡
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，并通过增加对比项来扩展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训练机器学习模型以识别外分布样本是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。
- 提出特征混合技术以高效生成伪OOD特征，当辅助OOD数据不可用时使用。
- 该解决方案简单高效，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。
➡️
