AdaSCALE：用于 OOD 检测的自适应缩放

深度学习模型识别样本何时超出其学习分布的能力，对于安全可靠的部署至关重要。最近最先进的分布外（OOD）检测方法利用激活整形来改善分布内（ID）和 OOD 输入之间的分离。这些方法采用特定于样本的缩放，但无论样本性质如何，都对所有样本应用静态百分位阈值，导致 ID-OOD 可分性欠佳。在这项工作中，我们提出了 \textbf{AdaSCALE}，这是一种自适应缩放过程，它根据样本估计的 OOD 似然动态调整百分位阈值。这种估计利用了我们的关键观察：与 ID 样本相比，OOD 样本在轻微扰动下于高幅度激活处表现出显著得多的激活偏移。AdaSCALE 对可能的 ID 样本启用更强的缩放，对可能的 OOD 样本启用较弱的缩放，从而产生高度可分的能量分数。我们的方法实现了最先进的 OOD 检测性能，在 ImageNet-1k 基准上的八种不同架构中，平均 FPR@95 指标在近 OOD 数据集上比最新竞争方法 OptFS 高出 14.94%，在远 OOD 数据集上高出 21.67%。代码可在以下地址获取：https://github.com/sudarshanregmi/AdaSCALE/