CORE：基于置信度与正交残差评分的鲁棒类分布外检测方法

类分布外(OOD)检测是确保深度学习模型可靠部署的关键任务，但目前尚无单一方法在不同架构和数据集上都能稳健表现——领先的方法在一个基准测试上往往在另一个基准测试上失效。我们认为这种不一致性源于共同的结构性局限：基于逻辑的检测方法仅看到分类器的置信度信号，而基于特征的方法则试图衡量训练分布中的成员身份，但是在特征空间的整个空间中完成的，这使置信度和成员身份相互交织，继承了架构敏感的失效模式。我们观察到， penultimate 特征自然分解为两个正交子空间：一个与分类器对齐的组成部分编码置信度，另一个是分类器丢弃的残差。我们发现，这一残差携带着类特定的方向签名，用于分布内数据——这是基于逻辑的方法无法看到的成员信号，也与特征方法中的噪声相交织。我们提出CORE（COnfidence + REsidual），通过独立评分每个子空间并通过归一化求和将两者组合。由于两个信号在构造上是正交的，它们的失效模式约为独立的，这在单一视角不可靠时产生了稳健的检测。CORE在五种不同架构和五种基准配置上均实现了竞争甚至领先的性能，在三个五个设置中名列前茅，并以最高的整体平均AUROC实现，同时几乎没有计算开销。