预训练模型STAR问题之主流生成伪OOD样本的方法有哪些

问题一：为什么Out-of-Domain (OOD) 检测对意图识别系统很重要？

为什么Out-of-Domain (OOD) 检测对意图识别系统很重要？

参考回答：

Out-of-Domain (OOD) 检测对意图识别系统很重要，因为它可以使系统不仅能够正确分类出已知In-Domain (ID) 的意图，还能检测出未知的OOD意图。这有助于提升系统的鲁棒性和用户体验。

关于本问题的更多回答可点击原文查看：

https://developer.aliyun.com/ask/655734

问题二：在OOD检测中，生成伪OOD样本的主要技术挑战是什么？

在OOD检测中，生成伪OOD样本的主要技术挑战是什么？

参考回答：

在OOD检测中，生成伪OOD样本的主要技术挑战是缺乏足够的OOD样本。在训练阶段从测试分布采样并标注OOD样本通常是非常困难的。

关于本问题的更多回答可点击原文查看：

https://developer.aliyun.com/ask/655735

问题三：主流生成伪OOD样本的方法有哪些？

主流生成伪OOD样本的方法有哪些？

参考回答：

主流生成伪OOD样本的方法包括Phrase Distortion（对ID样本中的短语做选择性的扰动和替换）、Feature mixup（通过对ID样本的特征做混合生成OOD特征样本）和Latent generation（从ID样本的低密度空间采样OOD样本）。

关于本问题的更多回答可点击原文查看：

https://developer.aliyun.com/ask/655736

问题四：为什么使用one-hot硬标签的伪OOD样本可能导致训练效果下降？

为什么使用one-hot硬标签的伪OOD样本可能导致训练效果下降？

参考回答：

使用one-hot硬标签的伪OOD样本可能导致训练效果下降，因为这样的标签设定可能导致伪OOD样本与ID样本有交叉，而实际上“难”的OOD样本（即与ID样本分布最接近的OOD样本）可能含有已知ID意图。

关于本问题的更多回答可点击原文查看：

https://developer.aliyun.com/ask/655737

问题五：什么是软标签(soft labels)，它们如何用于改进伪OOD样本的生成？

什么是软标签(soft labels)，它们如何用于改进伪OOD样本的生成？

参考回答：

软标签是指赋予所有的意图类别都是非零概率的标签。它们用于改进伪OOD样本的生成，因为软标签能够更准确地表示伪OOD样本与ID样本之间的关系，从而帮助模型更好地学习如何区分ID和OOD意图。

关于本问题的更多回答可点击原文查看：

https://developer.aliyun.com/ask/655738