MahaVar：神经坍缩下基于逐类马氏距离方差的 OOD 检测
机器学习
2026-05-15 v1 人工智能
摘要
分布外（OOD）检测是确保深度神经网络在安全关键应用中可靠性的关键组件。在本工作中，我们提出了一个关键的实证观察：对于分布内（ID）样本，逐类马氏距离表现出显著的尖锐极小值结构，即到最近类别的距离很小，而到所有其他类别的距离保持很大，导致跨类别的高方差。相反，OOD 样本表现出较不显著的尖锐极小值结构，产生相对较低的跨类别方差。我们进一步提供了将这一观察根植于神经坍缩几何的理论分析：在关于类内紧凑性和类间分离的松弛神经坍缩假设下，ID 样本在结构上表现出高逐类距离方差，为其作为 OOD 分数提供了理论基础。受此观察及其理论支撑的启发，我们提出了 MahaVar，一种简单有效的后验 OOD 检测器，通过逐类距离方差项增强马氏距离。遵循 OpenOOD v1.5 基准协议，MahaVar 在 CIFAR-100 和 ImageNet 上实现了 SOTA 性能，在所有基准上相较于现有的基于马氏距离的方法，在 AUROC 和 FPR@95 上均取得了一致的提升。
引用
@article{arxiv.2605.14413,
title = {MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse},
author = {Donghwan Kim and Hyunsoo Yoon},
journal= {arXiv preprint arXiv:2605.14413},
year = {2026}
}
备注
29 pages, 8 figures