标签
这篇论文对持续学习场景下视觉-语言模型的环境感知OOD检测进行了理论分析，提出交叉环境最大概念匹配（MCM）分数，并证明了在环境转移为正且类匹配间隔有界条件下其假阳性率不劣于标准MCM，同时区分了可检测的软OOD与不可检测的硬OOD环境。
结构化先验知识（SPK）是一个框架，它从预训练目标检测器中显式提取潜在的语义、几何和上下文先验，以实现最先进的离群分布检测，提高可解释性和可靠性。
本文介绍了一种新颖的方法，利用稀疏自编码器（SAEs）从网络中间激活中学习可解释特征，用于分布外（OOD）检测，该方法达到了最先进的性能，并提供了关于分布偏移如何影响所学表示的见解。
本文提出了一种基于马氏距离的潜在异常检测方法，利用VAE在时变系统中切换强化学习控制器和极值搜索控制器，并在粒子加速器控制中进行了验证。
提出了一种数学上严格的框架——变分推断的深度证据学习（VI-EDL），通过变分推断重新表述传统深度证据学习，推导出证据下界，建立泛化界，并在视觉和医学数据集上实现了最先进的性能，以解决传统深度证据学习的局限性。
本文介绍了GOEN，一种结合多尺度特征、L2归一化和马氏距离的OOD检测流水线，并发现CenterLoss正则化虽然提高了分类准确率，但实际上会降低OOD性能。
本文介绍了 DOSER，这是一种利用扩散模型进行分布外（OOD）检测和选择性正则化的框架，旨在离线强化学习中通过区分有益和有害的 OOD 动作来提升在静态数据集上的表现。