通过超声视频对二尖瓣反流（MR）进行早期和精确诊断对及时的临床决策和手术干预至关重要。研究提出了一种无监督的超出分布（OOD）检测方法，能够有效识别MR样本。

本研究提出了一种基于对比学习的GOOD-D图像对比学习框架，能够无监督地检测OOD图像，并捕捉潜在的ID模式。实验结果表明该方法在检测OOD图像方面具有卓越性能。

本文介绍了机器学习中的漂移现象及其影响，提出了一种无监督漂移检测方法，采用基于核的统计检验来比较参考和目标分布，并估计任何潜在的漂移。该方法能够识别导致漂移的生产数据子集，并通过重新训练模型来改善在线客户体验质量指标。

机器学习中的漂移是指数据或上下文的统计特性随时间改变而导致模型性能下降。我们提出了一种无监督漂移检测方法，通过将样本编码为目标分布并使用核统计检验来比较参考和目标分布，估计漂移。该方法还能识别导致漂移的生产数据子集。重新训练模型使用高漂移样本后，在在线客户体验质量指标上表现出改进。