机器学习与深度学习在分布外检测中的比较研究
计算机视觉与模式识别
2026-05-21 v2 人工智能
摘要
分布外（OOD）检测对于构建可靠的 AI 系统至关重要，因为对无效输入产生输出的模型无法被信任。尽管通常假设深度学习（DL）优于传统机器学习（ML），但医学成像数据通常是在标准化协议下采集的，导致 OOD 检测任务中的图像变异性相对受限。这促使我们在此背景下直接比较 ML 和 DL 方法。这两种方法在包含超过 60,000 张多分辨率眼底和非眼底图像的开放数据集上进行了评估。两种方法在内部和外部验证集上均达到了 1.000 的 AUROC 和 0.999 至 1.000 的准确率，表现出相当的检测性能。然而，ML 方法在保持同等准确率的同时，表现出显著更低的端到端延迟，表明其具有更高的计算效率。这些结果表明，对于视觉复杂度有限的 OOD 检测任务，轻量级 ML 方法能够以显著降低的计算成本达到 DL 级别的性能，支持实际的真实世界部署。
引用
@article{arxiv.2605.10181,
title = {A Comparative Study of Machine Learning and Deep Learning for Out-of-Distribution Detection},
author = {Jihyeon Baek and Seunghoon Lee and Gitaek Kwon and Doohyun Park},
journal= {arXiv preprint arXiv:2605.10181},
year = {2026}
}
备注
Accepted to IEEE ISBI 2026. The final published version will appear in IEEE Xplore