别让特征塌陷：为何CenterLoss损害OOD检测，多尺度马哈拉诺距离为何更好
机器学习
2026-05-22 v1 人工智能
计算机视觉与模式识别
摘要
检测离群分布（OOD）输入的能力是机器学习系统安全部署的基本要求。然而，当前方法往往依赖仅优化分类准确率即可获得的特征表示，忽视了表征不确定性的独特需求。我们引入GOEN（Geometry-Optimised Epistemic Network），这是一条简单管线，融合多尺度特征、L2归一化、马哈拉诺距离计算以及使用真实硬性OOD样本训练的校准头。通过系统消融实验，我们发现了一个反直觉的结论：CenterLoss——一种流行的特征紧凑性正则化器——显著损害OOD检测性能，尽管提升了分类准确率。最佳变体GOEN-NoCenterLoss在CIFAR-10基准上实现了0.9483的平均OOD AUROC，超越深度集成（0.8827）、KNN（0.8967）和ODIN（0.8870）等所有基线方法，同时保持竞争的分布内准确率。我们的结果挑战了“更好的分类几何必然导致更好的表征不确定性”这一主流假设：我们展示，过于紧密的特征聚类压缩了类别间间隙，扭曲了有效OOD检测所需的协方差结构。GOEN高效且易于部署，在单张GPU上训练不到20分钟，为构建可靠识别自身局限性的人工智能系统提供了实用蓝图。
引用
@article{arxiv.2605.21493,
title = {Don't Collapse Your Features: Why CenterLoss Hurts OOD Detection and Multi-Scale Mahalanobis Wins},
author = {Rahul D Ray},
journal= {arXiv preprint arXiv:2605.21493},
year = {2026}
}