面向分布外检测的无模型测试时自适应方法

分布外（OOD）检测对于机器学习（ML）模型的可靠性至关重要。现有大多数OOD检测方法从给定的分布内数据集学习固定决策准则，并普遍应用于判断某数据点是否为OOD。近期工作表明，在仅给定分布内数据的情况下，若无额外假设，可靠地检测OOD数据是不可能的。受该理论结果及测试时自适应方法近期探索的启发，我们提出了一种用于分布外检测的非参数测试时自适应框架（Non-Parametric Test Time Adaptation framework for Out-Of-Distribution Detection, AdaODD）。与传统方法不同，AdaODD在测试期间利用在线测试样本进行模型自适应，增强对变化数据分布的适应能力。该框架将检测到的OOD实例纳入决策过程，降低了假阳性率，尤其在分布内与OOD分布显著重叠时。我们通过在多个OOD检测基准上的综合实验证明了AdaODD的有效性，大量实证研究表明AdaODD相较最先进方法显著提升了OOD检测性能。具体而言，与先进方法相比，AdaODD在CIFAR-10基准上将假阳性率（FPR95）降低了$23.23\%$，在ImageNet-1k基准上降低了$38\%$。最后，我们从理论上验证了AdaODD的有效性。