Distributionally Robust Recurrent Decoders with Random Network Distillation
University of Edinburgh(爱丁堡大学);Universität Zürich(苏黎世大学)
神经机器学习模型可以成功地对类似于其训练分布的语言进行建模,但它们在分布偏移下极易受到降级的影响,这在处理域外(OOD)文本时发生在许多实际应用中。这被归因于“捷径学习”:依赖于任意大背景下的弱相关性。我们提出了一种基于随机网络蒸馏的OOD检测方法,允许自回归语言模型在推理过程中自动忽略OOD上下文,随着数据变得更加OOD,平滑地过渡到表达能力较低但更鲁棒的模型,同时在分布操作时保留其完整的上下文能力。我们将我们的方法应用于GRU架构,展示了对多语言建模(LM)数据集的改进。
2022-04-24 cs.CL cs.LG
SFP: Spurious Feature-targeted Pruning for Out-of-Distribution Generalization
The Hong Kong Polytechnic University(香港理工大学);Xi’an Jiaotong University(西安交通大学)
本文提出SFP框架,通过任务损失识别ID数据中的虚假特征并剪除强依赖分支,从而学习不变子结构以提升OOD泛化,性能显著超过现有SOTA。
2023-06-02 cs.LG
Don't Collapse Your Features: Why CenterLoss Hurts OOD Detection and Multi-Scale Mahalanobis Wins
Department of Electronics and Electrical Engineering(电子与电气工程系)
本文提出GOEN方法,通过多尺度特征、L2归一化、Mahalanobis距离和校准头来提升OOD检测性能,发现CenterLoss会降低OOD检测性能,而GOEN-NoCenterLoss在CIFAR-10基准上表现优于其他基线方法。
2026-04-10 cs.AI cs.CV cs.LG
Learning with Mixture of Prototypes for Out-of-Distribution Detection
University of New South Wales(新南威尔士大学);CSIRO’s Data61(CSIRO Data61)
提出PALM方法,用多个原型建模每类数据以捕捉多样性,通过MLE和对比损失学习紧凑嵌入,在CIFAR-100上达到93.82的AUROC,并支持无标签ID数据。
2024-02-05 cs.CV cs.LG
On Out-of-Distribution Detection for Audio with Deep Nearest Neighbors
Eindhoven University of Technology(埃因霍温理工大学)
分布外(OOD)检测涉及识别与模型的训练数据不属于相同分布的数据点。为了在现实环境中安全部署预测模型,避免对OOD输入进行自信的预测至关重要,因为它可能导致潜在的危险后果。然而,OOD检测在很大程度上仍然是音频(和语音)领域中的一个未充分开发的领域。尽管事实上音频是许多任务的中心模态,例如说话者日记、自动语音识别和声音事件检测。为了解决这个问题,我们建议利用具有深度k-最近邻的模型的特征空间来检测OOD样本。我们表明,这种简单而灵活的方法可以有效地检测跨音频(和语音)数据集的广泛类别的OOD输入。具体而言,与其他现有技术相比,它将假阳性率(FPR@TPR95)提高了17%,AUROC评分提高了7%。
2023-02-25 cs.LG cs.SD eess.AS
OOD-Speech: A Large Bengali Speech Recognition Dataset for Out-of-Distribution Benchmarking
SUST(苏斯特大学);Brac University(BRAC大学);Vanderbilt University(范德堡大学);RPI(伦斯勒理工学院);Rice University(莱斯大学)
提出了首个孟加拉语自动语音识别的分布外基准测试数据集OOD-Speech,包含1177.94小时众包训练数据和23.03小时多源测试数据,以评估ASR框架对分布偏移的鲁棒性。
2023-05-15 cs.CL cs.LG eess.AS
LAPT: Label-driven Automated Prompt Tuning for OOD Detection with Vision-Language Models
The Hong Kong Polytechnic University(香港理工大学);OPPO Research Institute(OPPO研究院)
针对视觉语言模型OOD检测依赖手动提示工程的问题,提出仅需分布内类名即可自动构建提示、完成训练的LAPT框架,性能优于人工提示,还提升了分类准确率与泛化鲁棒性。
2024-07-12 cs.AI cs.CV cs.LG
Can Dense Connectivity Benefit Outlier Detection? An Odyssey with NAS
Duke University(杜克大学)
提出基于NAS的离群点检测器密集连接搜索范式DCSOD,通过分层搜索空间探索CNN密集连接,并引入演化蒸馏提升评估稳定性,在CIFAR基准上实现SOTA性能。
2024-06-04 cs.CV cs.LG
Exploring Optimal Substructure for Out-of-distribution Generalization via Feature-targeted Model Pruning
The Hong Kong Polytechnic University(香港理工大学)
最近的研究表明,即使是高度偏置的稠密网络也包含一个无偏的子结构,可以实现比原始模型更好的分布外(OOD)泛化。现有的工作通常使用模块化风险最小化(MRM)与域外数据搜索的不变子网络。这样的范例可能会带来两个潜在的弱点:1)不公平,由于在训练期间对域外数据的观察不足;以及2)次优OOD泛化,由于对整个数据分布的特征非目标模型修剪。在本文中,我们提出了一种新的虚假目标模型剪枝框架,称为SFP,自动探索不变的子结构,而不涉及上述弱点。具体来说,SFP在训练过程中使用我们理论上验证的任务丢失来识别分布(ID)特征,在此基础上,SFP可以执行ID目标模型修剪,删除对ID特征具有强依赖性的分支。值得注意的是,通过衰减虚假特征到模型空间的投影,SFP可以将模型学习推向不变特征,并将其从环境特征中提取出来,从而设计出最佳的OOD泛化。此外,我们还进行了详细的理论分析,提供了合理性保证和证明框架的OOD结构通过模型稀疏性,并首次揭示了如何高度偏置的数据分布影响模型的OOD推广。在各种面向对象数据集上的大量实验表明,SFP可以显著优于基于结构和非结构的面向对象泛化SOTA,准确率分别提高了4.72%和23.35%。
2022-12-19 cs.AI cs.LG stat.ML
Large Language Models Can Perform Automatic Modulation Classification via Discretized Self-supervised Candidate Retrieval
Rowan University(罗文大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文提出DiSC-AMC框架,通过特征离散化与自监督嵌入检索,使大语言模型在无线调制分类中实现高效准确的分类,优于传统监督模型。
2026-03-27 cs.LG
Exploiting Local Flatness for Efficient Out-of-Distribution Detection
Korea Electronics Technology Institute (KETI)(韩国电子技术研究所);Pohang University of Science and Technology (POSTECH)(浦项科学技术大学)
提出Fold方法,利用特征Hessian和部分特征归一化,通过局部平坦性差异高效检测分布外数据,并引入AutoFold自动校准,在保持计算效率的同时提升检测性能。
2026-06-29 cs.AI cs.CV cs.LG
Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation
Darmstadt University of Technology(达姆施塔特工业大学);Uniklinik Frankfurt(法兰克福大学医院)
在胸部计算机断层扫描(CT)扫描中自动分割毛玻璃样阴影和实变,可能会在资源利用率高的时候减轻放射科医生的负担。然而,深度学习模型在临床常规中不受信任,因为它会在分发外(OOD)数据上悄无声息地失败。我们提出了一种轻量级的OOD检测方法,该方法利用特征空间中的Mahalanobis距离,并无缝集成到最先进的分割管道中。这种简单的方法甚至可以通过临床相关的不确定性量化来增强预训练模型。我们通过四个胸部CT分布变化和两个磁共振成像应用(即海马和前列腺的分割)验证了我们的方法。我们的研究结果表明,该方法有效地检测远和近OOD样本在所有探索的情况。
2022-08-05 cs.CV cs.LG eess.IV
Trainable Projected Gradient Method for Robust Fine-tuning
Georgia Institute of Technology(佐治亚理工学院);Meta
最近关于迁移学习的研究表明,选择性地微调层的子集或为每个层定制不同的学习率可以大大提高对分布外(OOD)数据的鲁棒性,并保留预训练模型的泛化能力。然而,这些方法中的大多数都采用手工制作的算法或昂贵的超参数搜索,这阻止了它们扩展到大型数据集和神经网络。为了解决这个问题,我们提出了可训练投影梯度方法(TPGM)来自动学习对每一层施加的约束,以实现细粒度的微调正则化。这是出于制定微调作为一个双层约束优化问题。具体地,TPGM保持一组投影半径,即,对于每一层,微调模型和预训练模型之间的距离约束,并通过权重投影来实施它们。为了学习约束条件,我们提出了一个双层优化,以端到端的方式自动学习最佳投影半径集。理论上,我们证明了双层优化公式可以解释TPGM的正则化能力。从经验上讲,几乎没有超参数搜索成本,TPGM在OOD性能方面优于现有的微调方法,同时匹配最佳的分布(ID)性能。例如,当在DomainNet-Real和ImageNet上进行微调时,与普通微调相比,TPGM分别显示了$22\%$和$10\%$相对于草图的OOD改进。代码可在\url{https://github.com/PotatoTian/TPGM}获得。
2023-03-28 cs.CV cs.LG
GEM: Gaussian Embedding Modeling for Out-of-Distribution Detection in GUI Agents
GEM通过高斯混合模型提升GUI代理出界检测的准确率,实现23.70%的精度提升,同时保持训练和测试时间的增加可控。
2025-11-22 cs.CL cs.LG
FlatNAS: optimizing Flatness in Neural Architecture Search for Out-of-Distribution Robustness
Politecnico di Milano(米兰理工大学)
本研究提出FlatNAS,一种在神经架构搜索中利用锐度感知最小化优化损失景观平坦性的新方法,在仅使用分布内数据的情况下,联合优化模型性能、OOD鲁棒性与参数数量,实现良好权衡。
2024-02-29 cs.AI cs.CV cs.LG
Distributional Shifts in Automated Diabetic Retinopathy Screening
National University of Singapore(新加坡国立大学)
开发基于深度学习的模型以自动检测视网膜图像在糖尿病视网膜病变(DR)筛查中是否是“可识别的”。然而,它们的分类精度会随着输入图像从其训练分布的分布偏移而降低。此外,即使输入不是视网膜图像,标准DR分类器也产生图像是“可识别的”的高置信度预测。我们提出了一个基于Dirichlet先验网络的框架来解决这个问题。它利用分布外(OOD)检测器模型和DR分类模型,通过识别OOD图像来提高泛化能力。在真实世界数据集上的实验表明,该框架可以消除未知的非视网膜图像和识别分布移位的视网膜图像的人为干预。
2021-07-25 cs.AI cs.CV cs.LG
DSDE: Using Proportion Estimation to Improve Model Selection for Out-of-Distribution Detection
Beijing Normal University(北京师范大学);Shanghai Jiao Tong University(上海交通大学);Hunan University(湖南大学)
针对现有分布外检测模型选择缺乏不确定性量化、集成忽略假正例率的问题,提出基于比例估计与自动超参选择的DSDE方法,显著降低了检测假正例率。
2024-11-03 cs.CV cs.LG stat.ML
Gaussian Latent Representations for Uncertainty Estimation using Mahalanobis Distance in Deep Classifiers
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Georgia Tech Europe(佐治亚理工学院欧洲校区);Czech Institute of Informatics, Robotics and Cybernetics(捷克信息学、机器人学与控制论研究所);Czech Technical University in Prague(布拉格捷克理工大学)
针对基于马氏距离的不确定性与 OOD 检测,本文提出自监督多高斯潜在表示正则化方法,以极小架构和推理开销取得最先进 OOD 检测及有竞争力的校准效果。
2023-09-29 cs.CV cs.LG
Detecting when pre-trained nnU-Net models fail silently for Covid-19 lung lesion segmentation
Darmstadt University of Technology(达姆施塔特工业大学);University Hospital Frankfurt(法兰克福大学医院)
计算机断层扫描中肺部病变的自动分割有可能在新冠肺炎大流行期间减轻临床医生的负担。然而,预测性深度学习模型在临床常规中不受信任,因为它在分发外(OOD)数据中会默默失败。我们提出了一个轻量级的OOD检测方法,利用特征空间中的马氏距离。所提出的方法可以无缝集成到最先进的分割管道中,而不需要改变模型架构或训练过程,因此可以用于评估预训练模型对新数据的适用性。我们使用基于补丁的nnU-Net架构验证了我们的方法,该架构使用多机构数据集进行训练,并发现它可以有效地检测模型错误分割的样本。
2021-07-14 cs.CV cs.LG eess.IV
Model soups need only one ingredient
EPFL(瑞士联邦理工学院);EPFL LTS4(瑞士联邦理工学院 LTS4)
提出MonoSoup方法,利用SVD分解单检查点的层更新,通过熵有效秩自动重加权成分,实现强分布内-分布外平衡,无需多检查点。
2026-06-19 cs.LG
Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement
IIT-Bombay(印度理工学院孟买分校);TCS Research(塔塔咨询服务研究中心)
图像到图像的转换是一个不适定的问题,因为在源图像和目标图像之间可能不存在唯一的一对一映射。在这种情况下提出的基于学习的方法通常评估测试数据的性能,这可能是不切实际的。这需要强大的方法,可以量化预测中的不确定性,以便做出明智的决策,特别是对于医学成像等关键领域。最近采用条件生成对抗网络(GANs)的工作在学习源图像和目标图像之间的照片级逼真图像到图像映射方面表现出了改进的性能。然而,这些方法不关注(i)模型对分布外(OOD)噪声数据的鲁棒性和(ii)不确定性量化。本文提出了一种基于GAN的框架,该框架(i)~对自适应损失函数进行建模,以实现对OOD噪声数据的鲁棒性,该自适应损失函数自动调整空间变化范数以惩罚残差,以及(ii)~估计预测中的每体素不确定性。我们在医学成像中的两个关键应用上证明了我们的方法:(i)欠采样磁共振成像(MRI)重建(ii)MRI模态传播。我们对两个不同的真实世界数据集的实验表明,所提出的方法(i)对OOD噪声测试数据具有鲁棒性,并提供了更高的准确性,(ii)量化了预测中的体素级不确定性。
2021-10-07 cs.CV cs.LG eess.IV
Detecting Anomalous Event Sequences with Temporal Point Processes
Technical University of Munich(慕尼黑工业大学);Amazon Research(亚马逊研究院)
自动检测事件数据中的异常可以在诸如医疗保健、DevOps和信息安全等领域提供实质性价值。在本文中,我们框架的时间点过程(TPPs)的分布外(OoD)检测问题的检测异常连续时间事件序列。首先,我们展示了如何使用拟合优度(GoF)测试来解决这个问题。然后,我们展示了流行的GoF统计TPP的局限性,并提出了一个新的测试,解决这些缺点。所提出的方法可以与各种TPP模型,如神经TPP相结合,并且易于实现。在我们的实验中,我们表明,所提出的统计量优于传统的GoF测试,以及在模拟和真实世界的数据中检测异常。
2021-12-17 cs.LG
Morphence-2.0: Evasion-Resilient Moving Target Defense Powered by Out-of-Distribution Detection
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
针对机器学习模型的规避攻击通常通过对固定目标模型的迭代探测而成功,由此成功一次的攻击将重复成功。对抗这种威胁的一种有希望的方法是使模型成为对抗对抗性输入的移动目标。为此,我们引入了Morphence-2.0,这是一种可扩展的移动目标防御(MTD),由分布外(OOD)检测提供支持,以防御对抗性示例。通过定期移动模型的决策函数,Morphence-2.0使重复或相关攻击成功变得非常具有挑战性。Morphence-2.0部署了一个从基本模型生成的模型池,在响应预测查询时引入了足够的随机性。通过OOD检测,Morphence-2.0配备了一种调度方法,将对抗性样本分配给鲁棒的决策函数,将良性样本分配给不设防的精确模型。为了确保重复或相关攻击失败,部署的模型池在达到查询预算后自动过期,并且模型池被提前生成的新模型池无缝替换。我们在两个基准图像分类数据集(MNIST和CIFAR 10)上对Morphence-2.0进行了评估,以对抗4种参考攻击(3种白盒攻击和1种黑盒攻击)。Morphence-2.0始终优于之前的防御,同时保持干净数据的准确性并减少攻击的可转移性。我们还表明,在OOD检测的支持下,Morphence-2.0能够精确地对模型的决策函数进行基于输入的移动,从而提高对抗性和良性查询的预测准确性。
2022-06-15 cs.CR cs.LG
Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers
本文提出一种基于时序卷积自编码器与校准梯度提升分类器的航天运载火箭发动机电气系统故障检测与诊断框架,可估计置信度、识别分布外数据并控制虚警,在仿真数据上验证了其有效性。
2025-07-17 cs.LG
Semantic segmentation of surgical hyperspectral images under geometric domain shifts
German Cancer Research Center (DKFZ)(德国癌症研究中心);Heidelberg University(海德堡大学);National Center for Tumor Diseases (NCT)(国家肿瘤疾病中心);Heidelberg University Hospital(海德堡大学医院)
本文首次系统分析几何分布外数据下手术场景语义分割网络的性能下降问题,并提出“器官移植”增强技术,在RGB和高光谱数据上显著提升泛化性能。
2023-09-18 cs.CV cs.LG eess.IV
Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images
German Cancer Research Center (DKFZ)(德国癌症研究中心);Helmholtz Information and Data Science School for Health(亥姆霍兹健康信息与数据科学学院);Heidelberg University(海德堡大学);National Center for Tumor Diseases (NCT)(国家肿瘤疾病中心);Heidelberg University Hospital(海德堡大学医院);Medical Faculty, Heidelberg University(海德堡大学医学院)
针对手术RGB与高光谱图像语义分割中因遮挡等导致的几何域偏移问题,首次分析了SOA模型在OOD数据上的性能下降,并提出“器官移植”增强技术显著提升泛化能力至分布内水平。
2024-08-27 cs.AI cs.CV cs.LG
Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
卷积神经网络(CNN)已被证明是强大的医学图像分割模型。在这项研究中,我们解决了一些主要的悬而未决的问题,这些模型。具体而言,在小型医学图像数据集上训练这些模型仍然具有挑战性,许多研究促进了迁移学习等技术。此外,这些模型因产生过度自信的预测而声名狼借,并且在测试时呈现分发外(OOD)数据时会默默失败。在本文中,我们提倡多任务学习,即,在几个不同的数据集上训练单个模型,跨越几个不同的感兴趣器官和不同的成像模式。我们表明,不仅单个CNN学会自动识别上下文并在每个上下文中准确分割感兴趣的器官,而且这种联合模型通常比在每个数据集上单独训练的专用模型具有更准确和更好的校准预测。我们的实验表明,在医学图像分割任务中,多任务学习的性能优于迁移学习。为了检测OOD数据,我们提出了一种基于CNN特征图谱分析的方法。我们表明,不同的数据集,代表不同的成像模式和/或不同的感兴趣的器官,有不同的光谱特征,这可以用来识别是否测试图像是类似的图像用于训练模型。我们表明,这种方法比基于预测不确定性的OOD检测更准确。本文提出的方法有助于提高基于CNN的医学图像分割模型的准确性和可靠性。
2022-12-04 cs.CV cs.LG eess.IV
Discovering environments with XRM
FAIR at Meta(Meta FAIR研究院);Mila at Université de Montréal(蒙特利尔大学Mila研究所);CIFAR(加拿大高级研究所)
本文提出XRM方法,通过孪生网络相互模仿留出错误,自动发现环境,无需人工标注,实现oracle最差组准确率,解决OOD泛化中的环境发现难题。
2024-07-19 cs.AI cs.LG stat.ML
TrajEvo: Trajectory Prediction Heuristics Design via LLM-driven Evolution
TrajEvo利用LLM驱动的进化算法自动设计轨迹预测启发式方法,通过跨代精英采样和统计反馈循环提升性能,在真实数据集上超越现有方法,并展现出对OOD场景的强泛化能力。
2025-08-07 cs.AI cs.LG cs.NE
OodGAN: Generative Adversarial Network for Out-of-Domain Data Generation
Czech Technical University in Prague(布拉格捷克理工大学);Amazon Alexa AI(亚马逊Alexa AI)
检测域外(OOD)话语对于健壮的对话系统至关重要。大多数对话系统都是在一个带注释的OOD数据池上训练的,以实现这一目标。然而,收集给定领域的带注释的OOD数据是一个昂贵的过程。为了缓解这个问题,以前的工作已经提出了基于生成对抗网络(GAN)的模型来自动生成给定域的OOD数据。然而,这些建议的模型不直接与文本。相反,它们使用文本的潜在空间,强制这些模型包含负责将文本编码到潜在空间并将其解码回来的组件,例如自动编码器。这些组件增加了模型的复杂性,使其难以进行训练。我们提出了OodGAN,一个基于顺序生成对抗网络(SeqGAN)的OOD数据生成模型。我们提出的模型直接作用于文本,因此无需包含自动编码器。使用OodGAN模型生成的OOD数据在ROSTD(FPR 0.95中相对改善67%)和OSQ数据集(FPR 0.95中相对改善28%)的OOD检测度量方面优于现有技术(Zheng等人,2020年)。
2021-04-06 cs.AI cs.CL cs.LG
SLEEPYLAND: trust begins with fair evaluation of automatic sleep staging models
本研究提出开源睡眠分期评估框架SLEEPYLAND与集成模型SOMNUS,通过多数据集标准化评估验证其性能优于现有前沿方法与人工评分者,还提出可预测标注不确定性的集成分歧指标,推动睡眠分期模型的公平评估与临床应用。
2025-06-11 cs.LG
Distribution-aware Fairness Test Generation
Singapore University of Technology and Design(新加坡科技设计大学);Royal Holloway University of London(伦敦大学皇家霍洛威学院);University of Luxembourg(卢森堡大学)
本文提出DistroFair方法,通过分布外测试与语义保持的图像变异相结合,自动学习对象分布并生成变异图像,以系统暴露图像分类器中的类别级公平性违规,实验表明其比基线方法更有效且生成效率较高。
2024-05-14 cs.CV cs.LG cs.SE
Improving Confidence Estimation on Out-of-Domain Data for End-to-End Speech Recognition
Google(谷歌)
随着端到端自动语音识别(ASR)模型达到有希望的性能,各种下游任务依赖于这些系统的良好置信度估计器。最近的研究表明,基于模型的置信度估计器比使用输出softmax概率具有显着的优势。如果语音识别器的输入数据来自不匹配的声学和语言条件,则ASR性能和相应的置信度估计器可能表现出严重的退化。由于置信度模型通常在与ASR相同的域内数据上进行训练,因此推广到域外(OOD)场景具有挑战性。在保持ASR模型不变的情况下,本文提出了两种改进基于模型的OOD数据置信度估计的方法:使用伪transmittance和一个额外的OOD语言模型。通过在LibriSpeech上训练的ASR模型,实验表明,所提出的方法可以大大提高TED-LIUM和Switchboard数据集上的置信度,同时保持域内性能。此外,改进的置信估计更好地校准OOD数据,可以提供一个更可靠的标准,数据选择。
2022-03-02 cs.LG eess.AS
Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition
Beijing University of Posts and Telecommunications(北京邮电大学);Meituan(美团)
针对动态开放世界中的意图识别,提出持续广义意图发现任务及原型引导学习与重放和蒸馏方法,实现持续发现并增量添加OOD意图。
2023-10-16 cs.AI cs.CL cs.LG
Reassessing Evaluation Practices in Visual Question Answering: A Case Study on Out-of-Distribution Generalization
DeepMind(深度思维);University of Copenhagen(哥本哈根大学);University of Oxford(牛津大学)
本文通过跨数据集评估发现,预训练视觉与语言模型在VQA分布外设置下泛化能力差,倾向于解决基准而非学习高级技能,且自动评估指标的严苛性会错误惩罚正确响应。
2023-04-01 cs.AI cs.CL cs.CV
Improving Out-of-Domain Audio Deepfake Detection via Layer Selection and Fusion of SSL-Based Countermeasures
Inria Défense\&Sécurité, LR2
本研究针对基于SSL的音频深度伪造检测系统在域外泛化困难的问题,通过逐层分析六种预训练SSL模型,发现单层最优选择策略可在减少80%参数的同时保持高性能,且多编码器分数级融合进一步提升了域外检测的泛化能力。
2025-09-15 cs.LG cs.SD