HALO-Loss 教神經網路棄權
HALO-Loss 是 Cross-Entropy 的直接替代品，使用歐幾里德距離到類原型，啟用零參數「棄權」類別於潛在原點。它在 CIFAR 上維持或提升準確率，同時大幅降低 OOD 假陽性並改善校準。已開源，適用於安全關鍵與多模態任務如 CLIP。
Search
Tag: #ood-detection6 results
🔬
放棄 YOLO 用於安全植物辨識
開發者因封閉集分類對 OOD 影像自信失敗，放棄 YOLO 用於安全關鍵的手持植物與真菌辨識裝置。改用分層 OOD 偵測，包括 EfficientNet B2 專用模型、MobileNetV3 路由器、能量評分與集成方法。管線在 Hailo 8L 的 13 TOPS 電池限制內運行。
CORE：透過信心與正交殘差評分實現穩健分布外偵測
CORE 透過將倒數第二層特徵分解為正交子空間，分離信心與成員資格訊號：分類器對齊的信心成分與殘差。獨立評分每個子空間，並以正規化加總結合，實現穩健分布外偵測。在五種架構與基準測試中達到 SOTA 效能，幾乎無額外運算負荷。
🔬
聯合嵌入變分貝葉斯（TMLR ’26）
TMLR 新論文為聯合嵌入模型增添變分語義，用於非對比表示學習。引入似然分解、錨定不確定性及重尾 Student-t 分佈以確保穩定性。提升各向異性不確定性及 OOD 偵測，優於 VI-SimSiam。
🔬
EBM 在 OOD 邊界勝過 MLP
Reddit 討論比較能量基模型 (EBM) 與 ReLU-MLP，顯示 EBM 在訓練資料邊界附近處理 OOD 點更優異，不會產生「spandrels」。使用如分裂圓圈、扭轉及親吻金字塔等玩具資料集，MLP 會線性外推產生偽影，而 EBM 避免此假設。EBM 為配置指派標量能量，並最小化以進行推斷。
LECT：LLM 強化文本圖 OOD 檢測
LECT 整合 LLM，利用語義理解生成高品質偽 OOD 節點，結合基於能量的對比學習，用於文本屬性圖的節點級 OOD 檢測。它維持準確的節點分類，同時識別 OOD 節點。在六個基準資料集上超越 SOTA 基線。