问题一：封闭世界假设对意图识别的影响是什么？
封闭世界假设对意图识别的影响是什么？
参考回答：
封闭世界假设认为数据是静态的，且只考虑一个固定的意图集合。然而，在实际应用中，用户可能会提出未经过训练的未知意图，这导致封闭世界假设不成立，从而限制了意图识别系统的泛化能力。
关于本问题的更多回答可点击原文查看：
https://developer.aliyun.com/ask/655733
问题二：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
问题三：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
问题四：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
问题五：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：
