ConjNorm：基于共轮约束的可计算密度估计方法用于离群分布检测
机器学习
2026-05-25 v5 人工智能
摘要
后驰式离群分布（OOD）检测已引发广泛关注。许多研究致力于基于逻辑值、距离或严格数据分布假设推导评分函数，以识别得分较低的 OOD 样本。然而，这些估计评分可能无法准确反映真实数据密度，或施加不切实际的约束。为提供统一的密度评分设计视角，我们提出一种基于 Bregman 发散的新型理论框架，该框架将分布考虑扩展至指数族分布。借助我们定理中揭示的共轮约束，我们引入一种 \textsc{ConjNorm} 方法，将密度函数设计重新表述为针对给定数据集寻找最优范数系数 。鉴于归一化的计算挑战，我们采用基于蒙特卡洛 importance 抽样技术构建无偏且解析可计算的分区函数估计器。广泛的 OOD 检测基准实验实证表明，我们提出的 \textsc{ConjNorm} 在多种 OOD 检测场景中建立了新的最佳性能，在 CIFAR-100 和 ImageNet-1K 上的 FPR95 分别提升最高可达 13.25\%。
引用
@article{arxiv.2402.17888,
title = {ConjNorm: Tractable Density Estimation for Out-of-Distribution Detection},
author = {Bo Peng and Yadan Luo and Yonggang Zhang and Yixuan Li and Zhen Fang},
journal= {arXiv preprint arXiv:2402.17888},
year = {2026}
}
备注
ICLR24 poster