极其简单的特征重建用于分布外检测
计算机视觉与模式识别
2025-09-10 v1 人工智能
机器学习
摘要
分布外（OOD）检测帮助模型识别训练类别之外的数据，这对于安全应用至关重要。虽然基于特征的事后方法通过评估特征空间中的数据差异来解决此问题，且无需改变网络参数，但它们通常需要访问训练数据，这在某些数据隐私场景下可能不适用。在数据隐私保护受关注的场景中，这可能并不合适。在本文中，我们从子空间投影的角度提出了一种简单而有效的事后方法，称为基于分类器的特征重建（ClaFR）。它首先对分类器的权重进行正交分解以提取类已知子空间，然后将原始数据特征映射到该子空间以获得新的数据表示。随后，通过计算数据在该子空间内的特征重建误差来确定 OOD 分数。与现有的 OOD 检测算法相比，我们的方法无需访问训练数据，同时在多个 OOD 基准测试上取得了领先的性能。我们的代码已发布于 https://github.com/Aie0923/ClaFR。
引用
@article{arxiv.2509.06988,
title = {Frustratingly Easy Feature Reconstruction for Out-of-Distribution Detection},
author = {Yingsheng Wang and Shuo Lu and Jian Liang and Aihua Zheng and Ran He},
journal= {arXiv preprint arXiv:2509.06988},
year = {2025}
}
备注
Accepted to PRCV2025