对数几率混合异常暴露用于细粒度分布外检测
计算机视觉与模式识别
2025-09-16 v1
摘要
检测分布外数据的能力不仅对于确保对未知或意外输入数据的鲁棒性至关重要，而且对于提升模型的泛化性能也至关重要。在各种分布外检测方法中，异常暴露和混合异常暴露是通过在训练过程中暴露异常数据来提升分布外检测性能的有前景的方法。然而，即使采用这些复杂技术，模型仍然难以有效学习类别间的关系并清晰地区分来自分布内和分布外的数据采样。因此，我们聚焦于对数几率空间，其中类别间分布的性质与输入空间或特征空间中的性质明显不同。具体而言，我们提出了一种在对数几率空间中的线性插值技术，将分布内和分布外数据混合，以促进类别间的对数几率平滑并提升分布外检测性能，特别是对于靠近分布内数据的分布外数据。此外，我们强制对数几率空间混合产生的对数几率与输入空间混合产生的对数几率之间的一致性。我们的实验表明，所提出的对数几率空间混合技术减少了模型输出在决策边界附近的剧烈波动，从而实现了分布内和分布外数据之间更平滑、更可靠的分离。此外，我们在一个细粒度分布外检测任务上评估了所提方法的有效性。
引用
@article{arxiv.2509.11892,
title = {Logit Mixture Outlier Exposure for Fine-grained Out-of-Distribution Detection},
author = {Akito Shinohara and Kohei Fukuda and Hiroaki Aizawa},
journal= {arXiv preprint arXiv:2509.11892},
year = {2025}
}
备注
Accepted to DICTA2025