近日，实验室2021级博士生何润东和2019级本科生李荣雪作为共同第一作者完成的一篇论文“Topological Structure Learning for Weakly-Supervised Out-of-Distribution Detection”（作者：何润东，李荣雪，韩忠义，尹义龙）被CCF A类会议ACM-MM录用。ACM MM是新媒体领域的顶级会议，属于CCF A类会议。

分布外 (OOD) 检测是在开放世界下安全部署模型的关键。对于OOD检测，收集足够的分布内（ID）有标记数据通常比收集无标记数据更消耗时间和金钱成本。当ID有标记数据有限时，以往的OOD检测方法由于高度依赖ID有标记数据量而不再具有优势。基于有限的ID有标记数据和充足的无标记数据，我们定义了一种新的场景，称为弱监督分布外检测（WSOOD）。为了解决这个新问题，我们提出了一种有效的方法，即拓扑结构学习（TSL）。首先，TSL 使用对比学习法为ID和OOD数据建立初始拓扑结构空间。其次，TSL 在初始拓扑空间中挖掘有效的拓扑连接。最后，基于有限的ID有标记数据和挖掘出的拓扑连接，TSL 在新的拓扑空间中重建拓扑结构，以提高ID和OOD样本的可分离性。在几个代表性数据集上进行的广泛实验表明，TSL 的性能明显优于最先进的方法，这验证了TSL在 WSOOD 这一新场景中的有效性和鲁棒性。