几何受限的异常值合成

深度神经网络在图像分类任务中常对离群分布 (OOD) 样本表现出过度自信。为此，我们引入几何受限异常值合成 (GCOS)，这是一种旨在推进推理期间 OOD 鲁棒性的训练时正则化框架。GCOS 通过在隐藏特征空间中生成尊重训练数据学习流形结构的离群样本来解决先前合成方法的局限性。该合成分为两个阶段：(i) 从训练特征中提取的主导方差子空间识别几何信息的、离流形的方向；(ii) 基于校准集中非符合性得分经验分位数定义的保形壳，适性控制合成幅度以产生边界样本。该壳确保生成的离群样本既不 trivial 可检测，也不与分布数据无区分，从而促进稳健特征的平滑学习。这一方法结合了对所选得分空间（如马哈努里斯距离或能量基准）中 ID 与 OOD 样本可分性的对比正则化目标。实验表明，在以能量基准推断为标准的近-OOD基准测试上，GCOS 优于最先进的方法。作为探索性扩展，该框架自然过渡到保形 OOD 推断，这将不确定性得分转换为统计上有效的 p 值，并启用具有形式错误保证的阈值，为实现更可预测和可靠的 OOD 检测提供了路径。