Key points are not available for this paper at this time.
डिस्ट्रीब्यूशन से बाहर (OOD) सैंपलों की पहचान मशीन लर्निंग मॉडल के सुरक्षित वास्तविक-विश्व तैनाती के लिए महत्वपूर्ण है। दृष्टि-भाषा आधार моделей में हाल के विकास ने उन्हें बिना वितरण (ID) छवियों की आवश्यकता के OOD सैंपलों की पहचान करने में सक्षम बना दिया है। हालाँकि, ये शून्य-शॉट तरीके अक्सर कम प्रदर्शन करते हैं क्योंकि वे अपनी पहचान विश्वास स्कोरिंग में ID वर्ग की संभावनाओं पर सही तरीके से विचार नहीं करते हैं। इसलिए, हम CLIPScope प्रस्तुत करते हैं, एक शून्य-शॉट OOD पहचान दृष्टिकोण जो वर्ग संभावनाओं द्वारा सैंपल के विश्वास स्कोर को सामान्य करता है, जैसे कि एक बेयesian पीछे वाला अपडेट। इसके अलावा, CLIPScope एक नए रणनीति को OOD वर्गों को एक बड़े शब्दावली डेटाबेस से निकालने के लिए शामिल करता है। यह CLIP एम्बेडिंग दूरी के संदर्भ में ID वर्गों से सबसे दूर और सबसे निकट वर्ग लेबल का चयन करता है ताकि OOD सैंपलों की पहुंच को अधिकतम किया जा सके। हम विस्तृत एब्लेशन अध्ययन और अनुभवात्मक मूल्यांकन करते हैं, जो विभिन्न OOD पहचान मानकों पर CLIPScope के उत्कृष्ट प्रदर्शन को दर्शाता है।
Fu et al. (गुरुवार,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: