H2ST：用于持续离分布检测的层次两样本检验

任务增量学习（Task Incremental Learning, TIL）是持续学习（Continual Learning, CL）的一种特殊形式，模型需从非平稳数据流中逐步学习。现有TIL方法基于封闭世界假设，假设输入数据保持在分布内（in-distribution, ID）。然而，在开放世界环境下，输入样本可能来自离分布（out-of-distribution, OOD）来源，且其任务身份本质上未知。持续检测OOD样本对当前方法存在诸多挑战：依赖模型输出导致对模型性能过度依赖，选取合适阈值困难，妨碍实际部署，二元ID/OOD分类无法提供任务级别的识别。为此，我们提出一种新颖的持续OOD检测方法，称为层次两样本检验（Hierarchical Two-sample Tests, H2ST）。H2ST通过假设检验消除阈值选择需求，并利用特征图更好地利用模型能力，降低对模型性能的依赖。所提方法的层次化架构使其在任务级别检测方面性能优越，计算开销也低于非层次化分类器两样本检验。大量实验与分析验证了H2ST在开放世界TIL场景下的有效性及其对现有方法的优势。代码已公开于\href{https://github.com/YuhangLiuu/H2ST}{https://github.com/YuhangLiuu/H2ST}。