OOD

当训练数据集和测试数据集的分布相同时，机器学习模型可以表现出优越的机能。然而在开放世界环境中，模型经常会遇到分布外（Out-of-Distribution, OOD，下称“OOD”）样本，OOD样本可能会导致模型做出不可预测的行为，而错误的后果可能是致命的，尤其是在自动驾驶等高风险场景中 [1, 2]。因此OOD检测对于保障机器学习模型在实际部署中的可靠性至关重要。大多数OOD检测方式 [1, 3…

论文标题：Feature Contamination: Neural Networks Learn Uncorrelated Features and Fail to Generalize论文链接：：，深度神经搜集 SGD scaling的机器进修范式再次证明了其在AI领域的主导地位。为什么鉴于深度神经搜集的范式能够取得成功？比较普遍的观点是：神经搜集具有从海量的高维输入数据中自动进修抽象而可泛化…

在机器学习模型日益应用于开放世界场景中，如何有用辨别和处理漫衍外（Out-of-Distribution, OOD）数据成为一个重要研究领域[1]。漫衍外数据的存在可能导致模型过度自信和错误预测，这在安全关键应用（如自动驾驶和医疗诊断）中尤为危险。因此，发展一种有用的OOD检测机制，对于提高模型在实际应用中的安全性和可靠性至关重要。传统的OOD检测步骤主要集中在单一模态，特别是图象数据上，而忽视了…

提高模型泛化能力是推动基于视觉的感知法子落地的重要基础，尝试段训练和适应（Test-Time Training/Adaptation）通过在尝试段调整模型参数权重，将模型泛化至未知的指标域数据散布段。现有 TTT/TTA 法子通常着眼于在闭环天下的指标域数据下提高尝试段训练性能。可是，在诸多应用场景中，指标域容易遭到强域外数据 (Strong OOD) 数据的污染，例如不相关的语义类型数据。在该场…