基于多方法集成的异常分布检测
计算机视觉与模式识别
2025-09-01 v1
摘要
检测异常分布（OOD）样本是神经网络在开放世界环境中运行的关键任务，尤其是在安全关键应用中。现有方法通过两主要技术提升 OOD 检测效果：特征截断技术可增加类间分布间隔，评分函数用于区分 ID 与 OOD 数据。然而，大多数方法要么仅关注单一技术，要么仅在特定类型的 OOD 数据集上评估其有效性，忽略了组合多个解决方案的潜在价值。基于此观察，我们在理论与实证层面表明，最新特征截断与评分函数可有效组合。此外，我们表明聚合多个评分函数可提高对各种 OOD 样本的鲁棒性。基于这些洞见，我们提出了多方法集成（MME）得分，将最新 OOD 检测器统一为更有效的评分函数。在大规模与小规模基准测试上进行的广泛实验，覆盖近 OOD 与远 OOD 场景，显示 MME 在所有基准测试中均显著优于最新 SOTA 方法。值得注意的是，使用 BiT 模型，我们的方法在挑战性的 ImageNet-1K 基准测试上实现的平均 FPR95 为 27.57%，相较于最佳现有基线提升了 6%。
引用
@article{arxiv.2508.21463,
title = {Multi-Method Ensemble for Out-of-Distribution Detection},
author = {Lucas Rakotoarivony},
journal= {arXiv preprint arXiv:2508.21463},
year = {2025}
}
备注
Accepted paper for BMVC 2025