GEODE：通用评分器兼容性的角度自适应 OOD 检测

异常暴露（OE）是标准基准上最强训练型 OOD 检测器之一，但 exhibits 评分器依赖性权衡（例如在 MSP 上表现强，在 KNN 上表现弱），且需要精心挑选的辅助数据。我们阐明了 OE 之所以有效的原因：其特征位于与真实近-OOD 数据相同的几何位置，边界相邻四分之一数据驱动了 nearly all OE 的增益。OE 是边界校准，而非 OOD 覆盖。GEODE（GEOmetry-preserving DEtection）通过角度自适应范数损失复制这种校准，通过目标按样本缩放来实现，缩放因子基于到最近类别均值的余弦相似度，保留边界结构中至关重要的特征几何。四个定理基于神经坍缩 justify 设计。GEODE 在所有七种标准评分器上均表现良好，CIFAR-10 上近-OOD AUROC 为 89.0-92.3，远-OOD 可达 93.05；在任何评分器上均无灾难性失效。由于 OOD 场景在部署时未知，此才是关键测试。GEODE 在匹配 epoch 数的 CE 上超越 vanilla CE。与 OE 结合后，GEODE 在 CIFAR-10 上达到 95.0 MSP / 94.8 KNN，OE 在 CIFAR-100 上所有评分器上均取得优势。该提升在 WRN-28-10 上亦成立（+4.5 Energy，3 个随机种子）。与将 OOD 推向分类器零空间（例如 PFS，14.38 KNN AUROC，低于随机）的方法不同，GEODE 的自适应目标保留了距离基准评分器依赖的几何结构。