动态协方差校准：提升离群分布检测
计算机视觉与模式识别
2025-06-25 v3
摘要
离群分布检测（OOD）对于AI系统的可靠性至关重要。使用先验信息（即子空间方法）的检测方法通过提取信息几何信息，能够使用更合适的距离度量来检测OD数据，显示出有效性能。然而，这些方法未能解决因样本分布不良导致的几何畸变问题，这源于静态从训练分布中提取信息几何的局限。在本文中，我们认为，通过动态调整对新数据的响应来校正不良分布样本的影响，可以纠正这种影响。基于这一洞察，我们提出了一种新方法，通过实时输入特征动态更新先验协方差矩阵，以细化其信息。具体而言，我们沿着实时输入特征的方向降低协方差，并将调整限制在残差空间，从而保留基本数据特征，避免对主空间中非预期方向产生影响。我们在CIFAR数据集上的两个预训练模型以及ImageNet-1k上的五个预训练模型（包括自监督DINO模型）上进行评估。广泛的实验表明，我们的方法在 various 模型上显著提升了OOD检测性能。代码已发布于https://github.com/workerbcd/ooddcc。
引用
@article{arxiv.2506.09399,
title = {Improving Out-of-Distribution Detection via Dynamic Covariance Calibration},
author = {Kaiyu Guo and Zijian Wang and Tan Pan and Brian C. Lovell and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2506.09399},
year = {2025}
}
备注
Accepted by ICML25