LSTM作者团队新作，基于现代Hopfield能量实现高效的异常检测器

文章预览

在现实世界中部署机器学习或深度学习模型时，模型需要对自分布外（OOD）样本以及攻击样本做出敏锐的判断，这是AI安全领域中的重要课题，通常被称为OOD检测。目前的主流OOD检测方法通常会在模型训练阶段中加入辅助的异常数据来实现异常暴露，以提高OOD检测的性能。 本文介绍一篇来自IEEE 神经网络先驱奖得主、LSTM网络提出者Sepp Hochreiter教授团队的工作。本文引入了一种 新型的OOD增强方法 ，称为Hopfield Boosting，其利用现代Hopfield网络中的能量信息来锐化分布内和 OOD 数据之间的决策边界。Hopfield Boosting 鼓励模型专注于难以区分的辅助异常值示例，从而提高性能。本文方法在OOD检测任务中达到了全新的SOTA性能，目前已经发表在人工智能顶级会议NeurIPS 2024上。 论文题目：  Energy-based Hopfield Boosting for Out-of-Distribution Detection 论文链接： https://arxiv.org/ ………………………………