Effiziente Erkennung von Daten außerhalb der Verteilung durch ID-ähnliches Prompt-Lernen in wenigen Schritten
Unser Verfahren konstruiert effizient ID-ähnliche Ausreißer aus ID-Daten und lernt zusätzliche Prompts, um die herausforderndsten OOD-Samples zu identifizieren, ohne auf zusätzliche Ausreißerdaten angewiesen zu sein.
Vielfältige Modellensembles zur Erkennung von Daten außerhalb der Verteilung
Durch den Einsatz verschiedener Trainingskriterien zur Bildung unterschiedlicher Modellverständnisse kann die Diversität der Merkmalsdarstellung in einem Ensemble-Modell erhöht werden, was zu einer verbesserten Erkennung von Daten außerhalb der Verteilung führt.
Eine geometrische Erklärung des Paradoxons der Wahrscheinlichkeitsverteilungs-Erkennung von Daten außerhalb der Verteilung
Hohe Wahrscheinlichkeitsdichten können mit vernachlässigbarer Wahrscheinlichkeitsmasse einhergehen, wenn die Daten außerhalb der Verteilung auf Mannigfaltigkeiten mit niedriger intrinsischer Dimension konzentriert sind.
Theoretische Untersuchung zur Lernbarkeit der Erkennung von Daten außerhalb der Verteilung
Die Studie untersucht die theoretischen Bedingungen, unter denen die Erkennung von Daten außerhalb der Verteilung (Out-of-Distribution, OOD) lernbar ist. Die Autoren finden notwendige und hinreichende Bedingungen für die Lernbarkeit unter Risiko- und AUC-Metriken in verschiedenen praxisrelevanten Verteilungsräumen.
© 2024 by Linnk AI