持续新颖性检测

新颖性检测（Novelty Detection）方法可识别不代表模型训练集的样本，从而标记误导性预测，并在部署时带来更大的灵活性与透明性。然而，该领域的研究仅考虑了离线设置下的新颖性检测。近来，计算机视觉界日益认识到应用需要更灵活的框架——持续学习（Continual Learning）——即代表新域、新类或新任务的新数据批次在不同时间点可用。在此设置下，新颖性检测变得更为重要、有趣且具挑战性。本文确定了两个问题之间的关键联系，并研究了持续学习设置下的新颖性检测问题。我们形式化了持续新颖性检测问题并给出一个基准，其中我们在不同持续学习设置下比较了多种新颖性检测方法。我们表明持续学习影响了新颖性检测算法的行为，而新颖性检测可指明持续学习器行为中的洞察。我们进一步提出基线并讨论可能的研究方向。我们认为将这两个问题耦合是为视觉模型落地实践的一个有前景的方向。