Temp-SCONE：面向具有时间偏移的野数据的分布外检测与领域泛化新框架
机器学习
2025-12-05 v1
摘要
开放世界学习（OWL）要求模型能够适应不断变化的环境，同时可靠地检测分布外（OOD）输入。现有方法如 SCONE 实现了对协变量和语义偏移的鲁棒性，但假设静态环境，导致在动态领域中的性能下降。在本文中，我们提出了 Temp-SCONE，即 SCONE 的时间一致性扩展，旨在处理动态环境中的时间偏移。Temp-SCONE 引入了一种基于平均阈值置信度（ATC）的置信度驱动正则化损失，在保持 SCONE 的能量-间隔分离的同时，惩罚时间步之间预测的不稳定性。在动态数据集上的实验表明，Temp-SCONE 在时间漂移下显著提升了鲁棒性，在损坏数据准确率上更高，且 OOD 检测更可靠。在没有时间连续性的不同数据集上，Temp-SCONE 保持了可比的性能，突显了时间正则化的重要性和局限性。我们关于时间稳定性和泛化误差的理论洞察进一步确立了 Temp-SCONE 作为在演化动态环境中实现可靠 OWL 的一步。
引用
@article{arxiv.2512.04571,
title = {Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift},
author = {Aditi Naiknaware and Sanchit Singh and Hajar Homayouni and Salimeh Sekeh},
journal= {arXiv preprint arXiv:2512.04571},
year = {2025}
}
备注
22 pages, 12 figures, 72 subfigures, 6 tables