OOD Detection
1.근본 Out-of-Distribution (OOD)
OOD Detection 목적 : OOD dataset에서는 분류 결과를 산출하는 것이 무의미하기 때문에 분류 결과를 산출하지 않도록 사전에 탐지하여야 함.\-> ID sample과 OOD sample을 구분할 수 있는 OOD score를 계산하는 것이 방법론의 핵심임
2.Contrastive Learning for Out-of-distribution
hard augmentation을 활용하는 방식으로 contrastive learning 적용rotation과 같은 hard augmentation을 positive pair로 두면 오히려 성능 하락함이러한 hard augmentation을 (distribution-)
3.Out-of-distribution with Uncertainty
기존 방법들은 potential domain shift에 의해 발생하는 uncertain statistics discrepancy를 고려하지 않음Domain shift에 따른 uncertainty를 모델링함으로써 네트워크 일반화 성능을 향상시킴model the feat
4.Contrastive Learning with Uncertainty
기존 대조학습 encoder는 uncertainty or confidence에 대한 언급 없이 contrastive model을 구현함본 논문은 uncertainty for pretrained contrastive representations을 구하기 위해 “contr
5.최근 Out-of-distribution in Image/NLP
single-modal이 아닌 multi-modal regime 다룸.training free, generalizable to many tasks, scalable to hundreds of classes, and does not require any prior in
6.Out-of-Distribution in Time Series Data
시계열에서는 distribution shifts 문제로 딥러닝 모델을 일반화하는 데 어려움을 겪는다... 1. Introduction 학습한 데이터에 대한 low empirical risk로 새로운 데이터에 대한 generalization 능력 부족함