發表時間：2018（NeurIPS 2018）
文章要點：這篇文章提出了一個對分類任務檢測異常點的方法。文章首先說異常點可以有兩類，一類是OOD（out-of-distribution），一類是對抗樣本（adversarial samples）。很多方式只能檢測一種，不能兩種一起。作者這種方法對這兩類異常點都適用，並且更加穩健，取得了SOTA的效果。具體的，作者通過神經網路最後一層隱藏層構造特徵向量，然後用高斯判別分析（Gaussian discriminant analysis）建立各個類別的均值和協方差

有了這個，就相當於有了一個分類器，並且對每個類的聚類中心和協方差都有了一定估計。
然後基於馬氏距離（Mahalanobis distance）計算一個得分

判別一個點是不是異常點就是先找這個點最近的那個分類，然後根據上式計算得分，然後根據得分閾值判斷是不是異常點。閾值具體咋設的，文章沒說。
此外，還可以把ensemble加上，就是說不僅僅用神經網路的最後一層，中間層也可以用來做高斯判別，然後計算得分，然後所有得分加權。
最後作者還說了，可以用在class-incremental learning問題上面，就是預訓練的模型只有一部分分類任務，後面新來了新的類，可以直接用這個網路提取特徵向量，用高斯判別生成這個新類的均值和協方差，和之前的類的均值和協方差放到一起，接下來檢測異常值就和之前一樣了。

總結：