来源：晓飞的算法工程笔记公众号，转载请注明出处论文:VL4AD:Vision-LanguageModelsImprovePixel-wiseAnomalyDetection论文地址：https://arxiv.org/abs/2409.17330创新性提出VL4AD模型用于解决语义分割网络难以检测来自未知语义类别的异常的问题，避免额外的数据收集

以cifar100作为闭集(closed-set)数据集，使用resnet18模型进行训练，然后在常见的开集(out-of-distribution)数据集上进行OOD检测。使用MSP(MaximumSoftmaxProbability)作为OOD检测的依据。开集噪声数据集使用gaussian,rademacher,blob,svhn四种类型。其中gaussian、rademacher

该论文考虑了一个现实的场景：数据集来自网络爬虫，即存在开集噪声OOD样本和闭集噪声ID样本。作者提出了一个简单但有效的策略：通过新设计的指标区分OOD样本，并对OOD样本软化（soften）弥补与干净样本的差距，该方法称为：DynamicSofteningofOut-of-distributionSamples(DSOS)。真实世界噪

本文是LLM系列文章，针对《SELF-DEMOS:ElicitingOut-of-DemonstrationGeneralizabilityinLargeLanguageModels》的翻译。SELF-DEMOS：在大型语言模型中引入非演示泛化能力摘要1引言2相关工作3方法4实验5讨论6结论局限性摘要大型语言模型（LLM）已经显

这篇文章设置的问题是：考虑长尾分布的训练集下，对测试集上的OOD样本进行检测。作者在训练集中引入了openset样本学习异常表征，以OCL（OutlierClassLearn）为baseline，训练时引入prototype方法，推理时对logits进行调整校准。问题背景DNNs会把OOD（out-of-distribution）样本误分类为ID（in-di

文章目录一、文章概览（一）Gram矩阵1、Gram（格朗姆）矩阵的定义2、Gram矩阵计算特征表示3、风格迁移中的Gram矩阵（二）ood检测（三）核心思路：扩展Gram矩阵以进行分布外检测（四）研究成果二、模型细节（一）符号定义（二）Gram矩阵和高阶Gram矩阵（三）预处理（四）计算分层偏差（五）测试图像的总偏差（

 论文提出用于out-of-distributions输入检测的energy-based方案，通过非概率的energyscore区分in-distribution数据和out-of-distribution数据。不同于softmax置信度，energyscore能够对齐输入数据的密度，提升OOD检测的准确率，对算法的实际应用有很大的意义来源：晓飞的算法工程笔记

论文题目：PessimisticBootstrappingforUncertainty-DrivenOfflineReinforcementLearning，ICLR2022，6688spotlight。pdf版本：https://arxiv.org/abs/2202.11566html版本：https://ar5iv.labs.arxiv.org/html/2202.11566openreview：https://openreview.net/forum?id=Y4c

AnomalyDetectionunderDistributionShift1Introduction如图1中所示的示例数据所示，in-distribution（ID）测试数据中的正常样本与正常训练数据非常相似，而ID中的异常样本与正常数据差异很大；然而，由于分布转移，OOD测试数据中的正常样本在前景和/或背景特征方面与ID正常数据明显不同

一般我们我们接到产品经理的需求后，开发阶段分如何几个步骤可行性预研阶段，此阶段评估需求是否合理，能否实现。OOA阶段，此阶段分析用例，定义领域模型。OOD阶段，此阶段定义类图，类之间的交互图（时序图等等）。OOP阶段，根据OOD设计的类图，类之间的交互图输出代码。 可行性预研阶段，我们不做

前两个也许跟上了，后两个完全没跟上，以后再详细读读吧qwq反正组会跟不上才是正常现象。AugGPT:LeveragingChatGPTforTextDataAugmentation摘要、引言、相关工作当

OOD概念面向对象设计（Object-OrientedDesign，OOD）方法是面向对象程序设计方法中一个环节。主要作用：对分析模型进行整理，生成设计模型提供给OOP作为开发依据。主要内容：

面向对象的技术是当前计算机界所关心的重点，，面向对象的概念和应用已经扩展到很宽的范围，如面向对象的数据库系统、面向对象的系统分析与设计、CAD技术、人工智能以及其他广泛

motivationActiveLearning存在的重要问题：现实数据极度不平衡，有许多类别很少见（rare），又有很多类别是冗余的（redundancy），又有些数据是OOD的（out-of-distribution）。1.不同的