论文链接：https://arxiv.org/pdf/2110.14051.pdf

机器学习模型经常遇到训练分布外的样本。未能识别分布外 (OOD) 样本并因此将该样本分配给类内标签会显着损害样本的可靠性模型。由于它对于在开放世界环境中安全部署模型的重要性，该问题引起了广泛关注。由于难以对所有可能的未知分布进行建模，检测 OOD 样本具有挑战性。迄今为止，几个研究领域解决了检测不熟悉样本的问题，包括异常检测、新奇检测、一类学习、开放集识别和分布外检测。尽管具有相似和共享的概念，但分布外、开放集和异常检测已被独立研究。因此，这些研究途径没有交叉授粉，造成研究障碍。虽然一些调查旨在提供这些方法的概述，但它们似乎只关注特定领域，而没有检查不同领域之间的关系。本次调查旨在对各个领域的众多杰出作品进行跨领域和全面的审查，同时确定它们的共性。研究人员可以从不同领域研究进展的概述中受益，并协同开发未来的方法。此外，据我们所知，虽然有异常检测或一类学习方面的调查，但没有关于分布外检测的全面或最新综述，我们的文章涵盖了广泛。最后，以统一的跨领域视角，我们讨论并阐明未来的研究方向，旨在使这些领域更紧密地联系在一起。

内容中包含的图片若涉及版权问题，请及时与我们联系删除