秩-1校正权重平均用于分布外检测

Akito Shinohara和Hiroaki Aizawa提交了一种用于分布外检测的可训练权重平均方法，通过奇异值分解提取主导秩-1权重分量，并学习其校正贡献。论文报告称，在ResNet50的评测中，无论是否使用Outlier Exposure，该方法以MSP和RankWeight评估时均优于微调和标准权重平均。Mahalanobis评估结果则不一致，表明效果随检测评分方法而异。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。