一个模型，多种行为：训练对分布外检测的影响
计算机视觉与模式识别
2026-01-19 v1
摘要
分布外（OOD）检测对于在开放世界环境中部署稳健可靠的机器学习系统至关重要。尽管 OOD 检测器取得了稳步进展，但它们与最大化分布内（ID）准确性和泛化能力的现代训练流程之间的相互作用仍待深入探索。我们通过一项全面的实证研究调查了这一联系。在将架构固定为广泛采用的 ResNet-50 后，我们针对通过多种训练策略获得的 56 个 ImageNet 训练模型，对 21 种最先进的事后 OOD 检测方法进行了基准测试，并在八个 OOD 测试集上对其进行了评估。与较高的 ID 准确率意味着更好的 OOD 检测性能这一普遍假设相反，我们发现了一种非单调关系：OOD 性能最初随准确率提高而改善，但一旦高级训练方案将准确率推高超过基线，OOD 性能便会下降。此外，我们观察到训练策略、检测器选择和最终 OOD 性能之间存在强烈的相互依赖性，表明没有单一方法是普遍最优的。
引用
@article{arxiv.2601.10836,
title = {One Model, Many Behaviors: Training-Induced Effects on Out-of-Distribution Detection},
author = {Gerhard Krumpl and Henning Avenhaus and Horst Possegger},
journal= {arXiv preprint arXiv:2601.10836},
year = {2026}
}
备注
WACV 2026