通过神经坍缩视角检测分布外数据

分布外（OOD）检测对于安全部署至关重要；然而，现有检测器往往难以跨不同规模和模型架构的数据集泛化，并且某些在实际应用中可能产生高计算成本。受神经坍缩现象的启发，我们提出了一种通用且高效的 OOD 检测方法。具体而言，我们重新刻画了先前的观察，即分布内（ID）样本形成簇，证明在适当中心化后，这些簇与模型权重向量紧密对齐。此外，我们揭示 ID 特征倾向于扩展为单纯形等角紧框架（simplex Equiangular Tight Frame），这解释了常见的观察即 ID 特征比 OOD 特征离原点更远。结合来自神经坍缩的两点洞见，我们的 OOD 检测器利用特征与权重向量的邻近度，并辅以特征范数来有效过滤 OOD 样本。在现成模型上的大量实验证明了我们的 OOD 检测器在不同场景下的鲁棒性，减轻了泛化差异并提升了整体性能，其推理延迟与基本 softmax 置信度检测器相当。代码见：https://github.com/litianliu/NCI-OOD。