该博客探讨了简化决策边界的方法，通过taxonomy、feature clustering和random grouping将类别整合成大组，并在每个大组中添加'others'类别。通过计算Minimum Others Score (MOS)并设定阈值，可以有效识别分布内的样本和异常分布外的样本（OOD）。实验结果显示这种方法在区分分布内外样本方面表现出色。
将几个类别组成一个新的组，这样可以简化决策边界。划分方法有taxonomy（如使用ImageNet划分好的八个大类）, feature clustering（K-Means）, and random grouping 这三种。
分完大组后，为每个大组增加一个others的类别。如果是一个分布内的test1，那么它必属于某个组G中的其中一个小类c，因此它在组G中的others分会很低，类c的分会很高，但它在其他的组的others得分一定会很高，所以它的MOS（Minimum Others Score）得分会较低，低于预设的threshold（paper设置的95%）则被视为分布内样本。那么对于一个非分布内的test2，由于它不属于任何一个类别，所以它在任意组的others得分都较高，以致于它最终的MOS得分会很高（高于预设的threshold），所以可以判断它属于OOD。
实验结果：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
