FLatS：基于特征似然比分数的原则性分布外检测方法

检测分布外（OOD）实例对于实际应用中的 NLP 模型至关重要。尽管存在众多 OOD 检测方法，但其中大多数都是经验性的。在理论分析的支持下，本文主张通过分布外 $\mathcal P_{\textit{out}}$ 与分布内 $\mathcal P_{\textit{in}}$ 之间的似然比来度量测试用例 $\boldsymbol{x}$ 的“OOD 程度”。我们认为，最先进（SOTA）的基于特征的 OOD 检测方法（如 Maha 和 KNN）是次优的，因为它们仅估计分布内密度 $p_{\textit{in}}(\boldsymbol{x})$。为解决此问题，我们提出了 FLatS，一种基于似然比的原则性 OOD 检测方案。此外，我们证明 FLatS 可作为一个通用框架，通过引入分布外密度 $p_{\textit{out}}(\boldsymbol{x})$ 估计来增强其他 OOD 检测方法。实验表明，FLatS 在流行基准上建立了新的 SOTA。我们的代码公开于 https://github.com/linhaowei1/FLatS。