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