广义少样本离群检测
计算机视觉与模式识别
2025-08-11 v1
摘要
少样本离群检测 (OOD) 已成为机器学习在实际部署中至关重要的研究方向。大多数现有方法在面对开放世界时普遍 suffer from 泛化能力不足。由于采用少样本学习范式，OOD 检测能力往往过度拟合于有限的训练数据，从而降低了在泛化数据上的性能，并在不同情景下表现不一致。为此，我们提出了广义少样本离群检测 (GOOD) 框架，通过引入辅助通用知识模型 (GKM) 来赋予 OOD 检测模型通用知识，而非直接从少样本数据中学习。我们从泛化视角阐释了少样本 OOD 检测，并理论推导了 OOD 检测中的通用性-特异性平衡 (GS-balance)，证明其在有通用知识模型的情况下可显著降低泛化误差上界。据此，我们提出知识动态嵌入 (KDE) 机制，基于 GKM 的广义信念 (G-Belief) 动态调节通用知识的引导作用，从而提升 GS-balance。在真实世界的 OOD 基准测试上实验验证了我们的优势。代码将公开获取。
引用
@article{arxiv.2508.05732,
title = {Generalized Few-Shot Out-of-Distribution Detection},
author = {Pinxuan Li and Bing Cao and Changqing Zhang and Qinghua Hu},
journal= {arXiv preprint arXiv:2508.05732},
year = {2025}
}