GROOD：梯度感知的异常分布检测

异常分布（OOD）检测对于确保深度学习模型在实际应用中的可靠性至关重要。现有方法通常 focus on feature representations 或 output-space analysis，常假设这些空间的分布或利用相对于模型参数的梯度范数。然而，这些方法在区分接近OOD样本方面困难，常需大量微调超参数，限制了其实用性。在本工作中，我们提出了GRadient-aware Out-Of-Distribution detection（GROOD），一种方法从合成样本推导出 OOD原型，并直接从 In-distribution（ID）训练数据中计算类别原型。通过分析关于人为OOD原型的 nearest-class-prototype loss函数的梯度，我们的 approach 能够在ID和OOD样本之间实现明确的分离。实验评估表明，来自OOD原型的梯度增强了ID和OOD数据之间的区分能力，在ImageNet-1k上超越了既定的基线，尤其在鲁棒性方面。这些发现突显了梯度方法和原型驱动方法在深度神经网络中推进 OOD检测潜力的前景。