在机器学习的领域中,在现实世界中通常会违反培训和测试数据共享相同分布的假设,需要有效的分布(OOD)检测。本文提出了一种新型的OOD检测方法,该方法利用了Kolmogorov-Arnold Networks(KANS)的独特局部神经塑性特性。与传统的多层感知者不同,堪萨斯州的当地可塑性,使他们能够在适应新任务的同时保留学习的信息。我们的方法比较了训练有素的KAN与未经训练的对应物的激活模式以检测OOD样品。我们验证了图像和医疗领域的基准测试基准,与最新技术相比,表现出卓越的性能和鲁棒性。这些结果强调了KAN在增强机器学习系统在不同环境中的可靠性方面的潜力。
主要关键词
![arxiv:2502.15833v1 [cs.lg] 2025年2月20日PDF文件第1页](/bimg/b/bcd51a16200911c594677846c13210ce91435868.webp)
![arxiv:2502.15833v1 [cs.lg] 2025年2月20日PDF文件第2页](/bimg/4/41c343c61013965bb27153795a0582c402789138.webp)
![arxiv:2502.15833v1 [cs.lg] 2025年2月20日PDF文件第3页](/bimg/0/0c41c8eb07f0dcd0c44250598445dd5cb898cb6b.webp)
![arxiv:2502.15833v1 [cs.lg] 2025年2月20日PDF文件第4页](/bimg/6/692455db7dddef513799e295f6727e9a7eaa28dc.webp)
![arxiv:2502.15833v1 [cs.lg] 2025年2月20日PDF文件第5页](/bimg/4/4fdc7f5041464a42a980f2b4c9658d31d207f694.webp)
