ITP：用于分布外检测的实例感知测试时剪枝

分布外（OOD）检测对于确保深度模型在真实场景中的可靠部署至关重要。近期，从过参数化的角度出发，一系列利用权重稀疏化技术的方法展现出了良好的性能。这些方法通常侧重于为分布内（ID）数据选择重要参数，以减少冗余参数对OOD检测的负面影响。然而，我们通过实验发现，这些被选中的参数可能会对OOD数据表现出过度自信，从而损害OOD检测。为了解决这个问题，我们提出了一种简单而有效的事后方法，称为实例感知测试时剪枝（ITP），该方法通过考虑粗粒度和细粒度级别的参数剪枝来执行OOD检测。具体而言，ITP首先通过探索ID数据来估计特定类别的参数贡献分布。利用该贡献分布，ITP进行粗粒度剪枝以消除冗余参数。更重要的是，ITP进一步基于右尾Z检验采用细粒度测试时剪枝过程，该过程能够自适应地移除实例级过度自信的参数。最后，ITP从剪枝后的模型中导出OOD分数，以实现更可靠的预测。在广泛采用的基准上的大量实验验证了ITP的有效性，证明了其具有竞争力的性能。