通过扩展逻辑归一化提升离群分布检测性能
计算机视觉与模式识别
2026-02-25 v2
摘要
离群分布 (OOD) 检测是机器学习模型安全部署的关键任务。现有工作侧重于设计多种评分函数以检测 OOD 样本，而少数研究则关注基于特定模型校准目标进行神经网络训练，这往往在预测准确性和评分函数选择上产生权衡。本文首先识别了逻辑归一化 (Logit Normalization) 中的特征坍缩现象，随后提出一种无需调节超参数的新型公式，显著提升广泛的后置检测方法性能。具体而言，我们在 LogitNorm 中引入特征距离感知损失项，构成 ，以实现 improved OOD 检测和 in-distribution (ID) 置信度校准。广泛的实验表明，该方法在 OOD 检测上超越当前主流训练时方法，同时保持优异的 ID 分类准确性。代码已公开于 https://github.com/limchaos/ElogitNorm。
引用
@article{arxiv.2504.11434,
title = {Enhancing Out-of-Distribution Detection with Extended Logit Normalization},
author = {Yifan Ding and Xixi Liu and Jonas Unger and Gabriel Eilertsen},
journal= {arXiv preprint arXiv:2504.11434},
year = {2026}
}
备注
CVPR 2026