TMLR

ASAT: Adaptive Scoring and Thresholding with Human Feedback for Robust Out-of-Distribution Detection

ASAT：结合人类反馈的自适应评分与阈值方法用于鲁棒分布外检测

Daisuke Yamada, Harit Vishwakarma, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 ASAT是结合人类反馈的人机协作框架，可实时更新评分函数与阈值，在静态条件下控制FPR并最大化TPR，非静态条件下适应分布漂移，在OpenOOD基准上性能优于现有方法。

Comments Published in TMLR (2026) with J2C Certification

Journal ref Transactions on Machine Learning Research (TMLR), 2026

Optimal or Greedy Decision Trees? Revisiting their Objectives, Tuning, and Performance

最优决策树还是贪心决策树？重新审视它们的目标、调参与性能

Jacobus G. M. van der Linden, Daniël Vos, Mathijs M. de Weerdt, Sicco Verwer, Emir Demirović

AI总结 本文针对最优决策树（ODT）与贪心决策树的目标、调参与性能等开放问题开展迄今规模最大的实验研究，证实ODT可直接优化目标函数、超参数调优至关重要等结论，驳斥了两个先前假设并给出使用建议与代码。

Comments Reviewed on OpenReview https://openreview.net/forum?id=DvDOAtskXl

Journal ref Transactions on Machine Learning Research (2026)