EOOD：基于熵的分布外检测方法
计算机视觉与模式识别
2025-04-07 v1 人工智能
摘要
深度神经网络（DNN）在遇到分布外（OOD）样本时常常表现出过度自信，这给部署带来了重大挑战。由于 DNN 是在分布内（ID）数据集上训练的，ID 样本通过 DNN 的信息流必然与 OOD 样本的流动方式不同。本文提出一种基于熵的分布外检测（Entropy-based Out-of-distribution Detection，简称 EOOD）框架。EOOD 首先通过 ID 样本和伪 OOD 样本，识别出信息流差异在特定模块中更为显著的区域。随后对选定的模块计算条件熵，用作 OOD 置信度得分。我们在各种 ID 和 OOD 设置下进行了全面实验，证明 EOOD 在 OOD 检测方面的有效性，并在众多新方法中表现出优势。
引用
@article{arxiv.2504.03342,
title = {EOOD: Entropy-based Out-of-distribution Detection},
author = {Guide Yang and Chao Hou and Weilong Peng and Xiang Fang and Yongwei Nie and Peican Zhu and Keke Tang},
journal= {arXiv preprint arXiv:2504.03342},
year = {2025}
}
备注
IJCNN 2025