基于智能体的概念匹配用于分布外检测

大型语言模型（LLM）的显著成就吸引了学术界和工业界的关注，超越了其最初在对话生成中的角色。为了扩展LLM的使用场景，一些工作通过引入更多外部信息来增强模型的有效性和能力，这被称为智能体范式。基于这一思想，我们提出了一种新方法，将智能体范式集成到分布外（OOD）检测任务中，旨在提高其鲁棒性和适应性。我们提出的方法，即概念匹配与智能体（CMA），采用中性提示作为智能体来增强基于CLIP的OOD检测过程。这些智能体充当动态观察者和通信枢纽，与分布内（ID）标签和数据输入交互，形成向量三角形关系。这种三角形框架提供了比传统二元关系更细致的方法，允许更好地区分和识别ID和OOD输入。我们广泛的实验结果表明，CMA在多种真实场景中优于零样本和需要训练的方法。