本研究提出STOOD-X方法论，结合统计非参数检验和可解释性增强，解决了OOD检测中的假设限制和可扩展性问题。该方法通过特征空间距离和Wilcoxon-Mann-Whitney测试识别OOD样本，并提供可视化解释，提升人机协作与信任。

本研究提出了DisCoPatch框架，旨在解决机器学习中的协变量偏移导致的OOD检测问题。该框架通过利用批量统计来增强模型对数据边界的理解，在公共OOD检测基准上取得了优异的效果，尤其在协变量偏移检测方面表现突出。

本研究提出了特征空间语义不变性(FSI)框架，以解决开放集领域泛化中的未知类别样本检测问题。该方法通过保持特征空间中的语义一致性，提高了对未知领域实例的检测准确性。在ColoredMNIST数据集上的实验结果显示，AUROC提升了9.1%至18.9%。

本文探讨了利用大规模开放集数据训练的文本到图像生成模型，合成分布外（OOD）对象以增强目标检测。提出的SyncOOD方法通过自动化数据整理生成带注释的OOD图像，显著提升检测性能，实验结果显示其在多个基准上优于现有方法。

本研究提出了一种新方法，通过扰动输入空间来解决传统OOD检测在识别未知类别时的局限性。发现了“信心突变”现象，并提出了评分方法CoVer，以增强OOD和ID数据的可分性。

本研究解决了出界（OOD）检测中现有语义池不足以支持零-shot分类的问题。我们提出了共轭语义池（CSP），通过使用修改的超类名称构建更丰富的标签候选，显著提高了检测性能，并在FPR95上超越现有方法7.89%。

该研究提出了一种自适应对比重放策略，解决模型在学习新类别时的遗忘问题。通过双重优化策略改进重放缓冲区，平衡稳定性和可塑性，提高了泛化能力，并在多个数据集上表现优异。

本研究提出了一种新方法，通过结合多种后处理的OOD检测技术和测试时数据增强策略，有效识别测试样本是否属于训练集类别。该方法在AUROC和FPR95指标上表现出色，并在比赛中获得第二名。

该研究提出了一种利用扩散概率模型（DPMs）来减轻简洁性偏见的多样化框架。通过在训练中生成新特征组合的图像，DPMs提高了模型多样性，无需额外监督信号。实验表明，该方法在泛化和多样化性能上优于传统方法。

本研究综述了OOD检测的最新进展，提出了训练驱动和无训练依赖的分类方法。强调了大规模预训练模型在OOD检测中的重要性，并探讨了评估场景及未来研究方向。对提出新方法和扩大实际应用范围具有重要意义。

本研究提出了一种解决目标检测中由于训练样本有限导致的OOD目标检测准确率低的方法。通过利用相似性特征，提出了原型OOD网络架构，并评估输入特征与原型之间的相似度。实验结果显示该方法在数据集上降低了FPR95，并提高了mAP。

本研究针对医学图像分析中深度神经网络（DNN）的可靠性问题，提出了一种新的OOD检测方法。通过创建新的基准数据集，研究发现OOD伪影可以意外提高模型的置信度，挑战了现有的信心基础方法的假设。最终建议结合特征基础与置信度基础的方法，以最大限度降低各自的缺陷，提高DNN的整体性能。

本研究提出了一种脑机融合学习框架，结合视觉模型和人类认知知识，解决了深度神经网络处理分布外数据准确率下降的问题。该模型在多个数据集上超越了现有最佳模型，具有广泛应用潜力。

本文介绍了使用SupCon方法识别外分布样本的重要性。通过增加对比项扩展SupCon损失，将OOD特征与ID特征分开，并将OOD特征远离现有类原型。使用特征混合技术生成伪OOD特征。该方法在基准测试中展示了最先进的结果。

我们提出了一种新颖的端到端基于骨架的模型，称为 Action-OOD，用于识别人类动作中的 ODD，通过引入基于注意力的特征融合块和能量损失函数，我们的模型在识别未知类别的能力和分类准确性方面表现出了优越的性能。

CLIPScope是一种零样本OOD检测方法，通过归一化样本的置信度得分和挖掘类标签来最大化覆盖OOD样本。经过消融研究和实证评估，CLIPScope在各种OOD检测基准中表现出最先进的性能。

本文介绍了一种使用扩散过程将训练集信息纳入预测噪声向量的方法，并将其转化为用于度量OOD的得分。该方法在所有类型的图像编码器中胜过以前的OOD方法，并且在不同类型的图像编码器上表现出良好的鲁棒性。

通过辅助扩散模型的框架，提出了一种检测异常分子的方法。通过比较输入分子和重构图的相似性，并使用迭代去噪过程量化匹配度，构建符合正常分子但远离异常分子的典型图。使用高效可扩展的异常检测器，比较测试样本与典型图的相似度，省略每个新分子的生成过程。

我们提出了一种名为 NegLabel 的新型事后 OOD 检测方法，该方法利用来自广泛语料库数据库的大量负标签，并设计了一种与负标签合作的 OOD 得分方案。通过理论分析，帮助理解负标签的机制。大量实验证明，我们的方法 NegLabel 在各种 OOD 检测基准数据集上实现了最先进的性能，并且在多种视觉语言模型中具有良好的泛化能力。此外，我们的方法 NegLabel 对于各种领域变化表现出了显著的鲁棒性。