AITOP
论文

Debiased Negative Mining 提升 VLM 的 OOD 检测性能

Debiased Negative Mining Improves Out-of-distribution Detection with Pre-trained Vision-Language Models

arXiv cs.LG@Bo Peng, Jie Lu, Guangquan Zhang, Zhen Fang学术论文
阅读原文
精选理由

做 OOD 检测或 VLM 应用的开发者，这篇解决了负样本挖掘的假负问题，理论扎实且效果显著，值得直接参考代码复现。

AI 摘要

本文提出一种去偏负样本挖掘方法，用于改进基于预训练视觉语言模型（VLM）的分布外（OOD）检测。现有方法依赖启发式规则从无标签语料中挖掘负标签，但存在严重的假负样本问题。作者通过理论框架校正负标签的采样偏差，将其转化为基于 ID 标签和无标签语料的蒙特卡洛采样。实验表明，该方法在多种 OOD 检测设置下达到新的最优性能。代码已开源。

AI 翻译 · 中文

本文提出一种去偏负样本挖掘方法，用于改进基于预训练视觉语言模型（VLM）的分布外（OOD）检测。现有方法依赖启发式规则从无标签语料中挖掘负标签，但存在严重的假负样本问题。作者通过理论框架校正负标签的采样偏差，将其转化为基于 ID 标签和无标签语料的蒙特卡洛采样。实验表明，该方法在多种 OOD 检测设置下达到新的最优性能。代码已开源。

arXiv cs.LGAiming at identifying unexpected inputs from unknown classes, out-of-distribution (OOD) detection has emerged as a pivotal approach to enhancing the reliability of machine learning models. This paper focuses on the burge…
#OOD 检测#视觉语言模型#负样本挖掘#蒙特卡洛采样#开源/仓库
阅读原文
← 返回首页看更多 AI 资讯