AUTO：面向测试时分布外检测的自适应离群点优化
机器学习
2025-05-20 v2 计算机视觉与模式识别
摘要
分布外（OOD）检测旨在检测不属于任何训练分布内（ID）类别的测试样本。先前的工作仅利用 ID 数据对模型进行正则化，其性能大幅落后于利用辅助离群点的同类方法。然而，数据安全和隐私使得针对不同场景提前收集任务特定的离群点不可行。此外，使用与任务无关的离群点会导致 OOD 检测性能下降。为解决上述问题，我们提出了一种称为测试时 OOD 检测的新设定，该设定允许部署的模型在测试期间利用来自无标签数据流的真实 OOD 数据。我们提出自适应离群点优化（AUTO），其支持对 OOD 检测器进行持续适应。具体而言，AUTO 包含三个关键组件：1）一个内外感知过滤器，用于选择性地为测试样本标注伪 ID 和伪 OOD，并在遇到每个伪 OOD 样本时巧妙地触发更新过程；2）一个动态更新的记忆模块，以克服频繁参数更新导致的灾难性遗忘；3）一个预测对齐目标，用于在测试期间校准粗糙的 OOD 目标。大量实验表明，AUTO 相较最先进（state-of-the-art）方法显著提升了 OOD 检测性能。此外，在复杂场景（如多 OOD、时间序列 OOD）上的评估也验证了 AUTO 的优越性。
引用
@article{arxiv.2303.12267,
title = {AUTO: Adaptive Outlier Optimization for Test-Time OOD Detection},
author = {Puning Yang and Jian Liang and Jie Cao and Ran He},
journal= {arXiv preprint arXiv:2303.12267},
year = {2025}
}
备注
14 pages