DCV-ROOD评估框架：稳健的类外分布检测的双重交叉验证
机器学习
2025-09-09 v1 人工智能
机器学习
摘要
类外分布(OOD)检测在通过识别与训练分布显著不同的输入来增强人工智能系统的鲁棒性方面发挥着关键作用，从而防止不可靠的预测并启用适当的后备机制。开发可靠的OD检测方法是重大挑战，严格评估这些技术对于确保其有效性至关重要，因为这允许研究人员在多种条件下评估其性能并识别潜在的局限性或失效模式。交叉验证(CV)已被证明是提供学习算法性能合理估计的强大工具。虽然OD情景具有特定特征，但合适的CV调整可导致适用于该设置的评估框架。本工作提出了一种用于OD检测模型稳健评估的双重CV框架，旨在提高其评估的可靠性。该提议的评估框架旨在有效地整合类内(ID)和OD数据，同时考虑其不同的特征。为实现这一点，对ID数据采用传统方法进行分区，而OD数据按其类别对样本进行分组。此外，我们分析具有类层次结构的数据情境，提出一种考虑整个类层次结构的数据划分，以获得公平的ID-OD分区以应用所提议的评估框架。该框架称为稳健类外分布检测的双重交叉验证(DCV-ROOD)。为测试评估框架的有效性，我们选取了一组最新的OD检测方法，带有和没有异常暴露。结果显示，该方法能够快速收敆至真实性能。
引用
@article{arxiv.2509.05778,
title = {DCV-ROOD Evaluation Framework: Dual Cross-Validation for Robust Out-of-Distribution Detection},
author = {Arantxa Urrea-Castaño and Nicolás Segura-Kunsagi and Juan Luis Suárez-Díaz and Rosana Montes and Francisco Herrera},
journal= {arXiv preprint arXiv:2509.05778},
year = {2025}
}
备注
20 pages and appendix