广义OOD(From Jingkang Yang...)

Yang introduce a unified framework termed generalized OOD detection,which encapsulates five related sub-topics: anomaly detection (AD), novelty detection (ND), open set recognition (OSR), out-of-distribution (OOD) detection, andoutlier detection (OD).

These sub-topics can be similar in the sense that they all define a certain in-distribution,with the common goal of detecting out-of-distributionsamples under the open-world assumption.

OOD detection

保证ID类测试样本的分类性能，拒绝OOD测试样本，ID样本往往具有多个类别，OOD的类别不能与ID的类别重合。

Application and Benchmark:经常使用CIFAR-10作为ID样本进行训练，其他数据集如SVHN等作为OOD测试样本。

评价标准：AUROC，AUPR，or F-scores，FPR@TPRx，TNR@TPRx

Anomaly Detection

要清晰的定义常态（正常）类样本，并且通常情况下，正常类下面没有子类（如将正常类定义为狗，下面不会再分泰迪、金毛或者德牧，都认为是一类）。目标是在某些特定的情境下，检测出所有可能的异常样本。

Anomaly Detection对于ID内样本的分类并不关心，都认为是一类，只关心如何把ID样本和OOD样本分开，检测出OOD样本。

Application and Benchmark:分为两类Sensory AD和Semantic AD，这里主要说一下后者，即检测属于新类的样本。现实的应用如犯罪监控、Active 图片爬虫。学术界一个标准，即使用MNIST中的某一类作为ID样本，其余9个类别作为OOD样本来检验模型的OOD检测能力。

评价标准：AUROC，AUPR，or F-scores

It’s important to know in which scenarios each of the different techniques is particularly useful.(来自\url{Welcome … — Physics-based Deep Learning})

如何将物理模型的离散化版本整合到训练过程中（可微分公式对支持神经网络的训练至关重要，这些以梯度形式出现的微分正是学习过程的驱动力。）。

找到一个未知函数 f∗，它能从空间 Y 中生成解，并从 X 中获取输入，即 f∗:X→Y。