面向分布外检测的贝叶斯非参数视角下的马氏距离
机器学习
2026-05-28 v2 机器学习
摘要
贝叶斯非参数方法天然适用于分布外（Out-of-Distribution, OOD）检测问题。然而，这些技术大多被简化的基于预训练或学习数据点嵌入之间距离的方法所取代。本文我们展示了贝叶斯非参数模型与相对马氏距离得分（RMDS）之间的正式关系，这是一种常用于 OOD 检测的方法。基于这一联系，我们提出具有层次性先验的贝叶斯非参数混合模型，以概括 RMDS。我们在 OpenOOD 检测基准上评估这些模型，表明贝叶斯非参数方法在训练类别在协方差结构上存在差异且每类数据点相对较少的情形下，可优于现有 OOD 方法。
引用
@article{arxiv.2502.08695,
title = {A Bayesian Nonparametric Perspective on Mahalanobis Distance for Out of Distribution Detection},
author = {Randolph W. Linderman and Noah Cowan and Yiran Chen and Scott W. Linderman},
journal= {arXiv preprint arXiv:2502.08695},
year = {2026}
}
备注
32 pages, 5 figures, code is available at https://github.com/rwl93/bnp4ood