稠密之上的几何：少样本跨域 OOD 检测
人工智能
2026-05-14 v3
摘要
分布外（OOD）检测识别测试样本中落在模型训练分布之外的样本，这一能力对于在高风险应用中安全部署至关重要。标准的 OOD 检测器在特定的分布内（ID）数据集上训练，并检测该单一域的偏差。相比之下，我们研究的是少样本跨域 OOD 检测：给定单个预训练模型，是否可以使用仅少量 ID 样本（无需额外训练）即可在任意新的 ID-OOD 任务对上执行 OOD 检测。我们提出了 **UFCOD**（Unified Framework for Cross-domain OOD Detection，统一跨域 OOD 检测框架），通过对扩散轨迹的信息几何分析实现了这一目标。我们的关键洞察是，扩散噪声预测是得分为（对对数密度梯度），我们提取两种能量特征：*路径能量*（积分得分幅值）和*动力学能量*（得分平滑性），它们构成离散 Sobolev 范数，捕捉样本如何与所学扩散过程相互作用。核心贡献是“一次训练，处处部署”范式：在单个数据集（如 CelebA）上训练的扩散模型可作为跨语义无关域（如 CIFAR-10、SVHN、纹理）的通用特征提取器，用于 OOD 检测。在部署时，每个新任务仅需约100个无标签 ID 样本即可推断：无需重新训练、无需微调、无需任务特定适配。使用每个任务的100个 ID 样本，UFCOD 在12个跨域基准测试中实现93.7% 的平均 AUROC，与使用5万至16万样本训练的方法相当，显示约500倍的样本效率提升。详见我们的代码 https://github.com/lili0415/UFCOD。
引用
@article{arxiv.2605.03410,
title = {Geometry over Density: Few-Shot Cross-Domain OOD Detection},
author = {Shawn Li and You Qin and Jiate Li and Charith Peris and Lisa Bauer and Roger Zimmermann and Yue Zhao},
journal= {arXiv preprint arXiv:2605.03410},
year = {2026}
}