COMBOOD：一种用于图像分类的半参数式异常分布检测方法
计算机视觉与模式识别
2026-02-10 v1
摘要
在推断时识别异常分布（out-of-distribution, OOD）数据对于许多机器学习应用尤其重要，特别是对于自动化任务。我们提出了一种新型无监督半参数框架 COMBOOD，用于 OOD 检测。该框架结合了两种距离度量标准——最近邻距离和马氏距离——来推导推断点是否为异常分布的置信度得分。前者提供了一种无参数的 OOD 检测方法，后者提供了一种简单而有效的参数方法，尤其擅长检测远离训练数据集的异常分布点。在嵌入空间中。然而，其性能在实际情境中出现的近似 OOD 场景并不令人满意。我们的 COMBOOD 框架在半参数设置下组合这两种信号，提供一个在近 OOD 和远 OOD 场景下都准确的置信度得分。我们展示了针对不同特征提取策略的 COMBOOD 框架的实验结果。我们在实验上表明，COMBOOD 在 OpenOOD（包括版本 1.0 和最新版本 1.5）基准数据集上（包括远 OOD 和近 OOD）以及文档数据集上优于最先进的 OOD 检测方法。对于大多数基准数据集，COMBOOD 框架带来的准确度提升是统计上显著的。COMBOOD 按嵌入空间大小线性扩展，适用于许多实际应用场景。
引用
@article{arxiv.2602.07042,
title = {COMBOOD: A Semiparametric Approach for Detecting Out-of-distribution Data for Image Classification},
author = {Magesh Rajasekaran and Md Saiful Islam Sajol and Frej Berglind and Supratik Mukhopadhyay and Kamalika Das},
journal= {arXiv preprint arXiv:2602.07042},
year = {2026}
}
备注
Copyright by SIAM. Unauthorized reproduction of this article is prohibited First Published in Proceedings of the 2024 SIAM International Conference on Data Mining (SDM24), published by the Society for Industrial and Applied Mathematics (SIAM)