基于距离的分布外检测特征库增强
机器学习
2025-07-22 v1 人工智能
摘要
分布外（Out-of-Distribution, OOD）检测是确保深度学习应用可靠性的关键问题，近年来受到广泛关注。已涌现出大量文献开发高效得分函数，以对分布内（ID）样本赋予高分、分布外样本赋予低分，从而帮助区分OD样本。其中，基于距离的得分函数因其高效性和易用性而广泛使用。然而，深度学习常导致数据特征分布偏斜，极端特征不可避免。这些极端特征使基于距离的方法倾向于为ID样本分配过低分数，从而限制了OOD检测能力。为此，本文提出一种简单有效的方法——特征库增强（Feature Bank Enhancement, FBE），其利用数据集的统计特征来识别并约束极端特征至分离边界，从而使分布内外样本之间的距离更大。我们在大规模ImageNet-1k和CIFAR-10上进行实验，结果表明该方法在两个基准测试上均实现了最先进的性能。此外，还进行了理论分析和补充实验，以提供对方法更深入的洞察。
引用
@article{arxiv.2507.14178,
title = {Feature Bank Enhancement for Distance-based Out-of-Distribution Detection},
author = {Yuhang Liu and Yuefei Wu and Bin Shi and Bo Dong},
journal= {arXiv preprint arXiv:2507.14178},
year = {2025}
}
备注
8 pages, 5 figures