通过先前数据拟合网络进行零样本异常检测：模型选择的遗忘！
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文综述了机器学习中的异常检测和开放集识别，提出了多种新算法和策略以提高模型的鲁棒性。研究表明，样本多样性和超参数选择对检测性能至关重要，所提算法在准确性和效率上优于现有方法，且具备良好的可扩展性和低训练成本。
❓
Q&A
ECOD算法的主要优势是什么？
ECOD算法在准确性、效率和可扩展性方面优于其他11种现有的异常检测方法。
ROBOD模型在超参数选择上有什么表现？
ROBOD模型在选择模型和调整超参数的问题上表现良好，同时训练成本较低。
样本多样性在ODD检测中的作用是什么？
样本多样性对于ODD检测至关重要，能够有效降低平均FPR95。
如何优化outlier exposure在检测中的性能？
通过最大最小学习策略，利用模型扰动合成新的数据来优化outlier exposure的性能。
新提出的loss entropy指标有什么作用？
loss entropy指标用于自动识别最佳停止时机，提高模型的稳健性并减少训练时间。
文章中提到的内点记忆效应方法有什么创新之处？
该方法通过增加小批量训练数据的尺寸和使用自适应阈值设计截断损失函数，在低计算成本下实现了先进的异常值识别性能。
🏷️
