别打破边界：基于自由能排斥的持续性无监督学习 OOD 检测
机器学习
2026-02-09 v1
摘要
在开放世界环境中部署可靠的人工智能面临双重挑战：需要 robust 的 Out-of-Distribution (OOD) 检测以确保系统安全，以及满足隐私合规和模型纠错需求的灵活机器无监督学习。然而，这一目标遇到了根本性的几何矛盾：当前的 OOD 检测器依赖静态且紧凑的数据流形，而传统的分类导向无监督学习方法会破坏这种精细的结构，导致模型在擦除目标类别的同时，丧失对异常值的判别能力。为解决这一困境，我们首先定义了边界保持类无监督学习问题，并提出了关键性的概念转变：在 OOD 检测的语境下，有效的无监督学习等价于将目标类别转换为 OOD 样本。基于此，我们提出了 TFER (Total Free Energy Repulsion) 框架。灵感来自自由能原理，TFER 构建了一种新颖的推拉游戏机制：通过拉力将保留的类别锚定在低能量 ID 流形内，同时通过自由能排斥力主动将被遗忘的类别排斥到高能量 OOD 区域。该方法通过参数高效微调实现，规避了完整重新训练的高额成本。大量实验表明，TFER 在精确无监督学习的同时，最大限度地保留模型对剩余类别和外部 OOD 数据的判别性能。更重要的是，我们的研究揭示了 TFER 独特的推拉平衡为模型提供了内在的结构稳定性，使其能够在无需复杂额外约束的情况下有效抵抗灾难性遗忘，从而在持续性无监督学习任务中展现出卓越的潜力。
引用
@article{arxiv.2602.06331,
title = {Don't Break the Boundary: Continual Unlearning for OOD Detection Based on Free Energy Repulsion},
author = {Ningkang Peng and Kun Shao and Jingyang Mao and Linjing Qian and Xiaoqian Peng and Xichen Yang and Yanhui Gu},
journal= {arXiv preprint arXiv:2602.06331},
year = {2026}
}