利用中间表示获取更好的分布外检测
机器学习
2025-02-19 v1 计算机视觉与模式识别
摘要
在实际应用中，机器学习模型必须可靠地检测分布外（OoD）样本，以防止不安全的决策。当前的OoD检测方法通常依赖于分析神经网络最后一层的logits或嵌入。然而，针对中间层编码的丰富信息的利用工作仍较少。为此，我们分析了中间层的判别力，并展示它们可被积极用于OoD检测。因此，我们提出正则化中间层的能量基对比损失，并通过将多个层在单个聚合响应中进行分组。我们通过在多个数据集上进行全面评估，证明中间层激活对OoD检测性能的提升。
引用
@article{arxiv.2502.12849,
title = {Leveraging Intermediate Representations for Better Out-of-Distribution Detection},
author = {Gianluca Guglielmo and Marc Masana},
journal= {arXiv preprint arXiv:2502.12849},
year = {2025}
}
备注
Code is available at https://github.com/gigug/LIR