近日，实验室2021级博士生何润东一篇论文“RONF: Reliable Outlier Synthesis under Noisy Feature Space for Out-of-Distribution Detection”（作者：何润东，韩忠义，卢宪凯，尹义龙）被CCF A类会议ACM-MM录用为oral。ACM MM是新媒体领域的顶级会议，属于CCF A类会议。

分布外（OOD）检测是保证多媒体应用在开放世界部署期间的可靠性的基础。然而，由于缺乏来自OOD数据的监督信号，目前的模型在推理阶段很容易对OOD数据输出过于自信的预测结果。以前的一些方法依靠大规模的辅助OOD数据集来进行模型正则化。然而，要获得合适的、干净的、大规模的辅助OOD数据集通常具有挑战性。本文提出了在噪声特征空间下来合成可靠的离群点的方法(简称RONF)，该方法在噪声特征空间中合成可靠的虚拟离群点，为模型正则化提供监督信号。具体而言，RONF首先提出了一种新的虚拟离群点合成策略Boundary Feature Mixup (BFM)，该策略将来自类条件分布的低似然区域的样本进行mixup以获得虚拟的离群点。但由于噪音特征的存在，导致合成的离群点并不可靠。为了缓解这个问题，RONF提出了最优参数学习(OPL)，以获得理想的特征并去除噪音特征。此外，RONF还提出了一种可证明的、有效的得分函数，称为EED，用于OOD数据的不确定度测量。在几个具有代表性的多媒体应用数据集的广泛研究表明，RONF的性能显著优于现有技术水平，验证了RONF的可行性和鲁棒性。