OoDAnalyzer：分布外样本的交互式分析

预测模型性能下降的一个主要原因是测试样本未被训练数据充分覆盖。此类代表性不足的样本被称为 OoD 样本（分布外样本）。本文提出 OoDAnalyzer，一种用于交互式识别 OoD 样本并在上下文中加以解释的可视化分析方法。我们的方法集成了集成式 OoD 检测方法与基于网格的可视化。该检测方法由深度集成改进而来，通过在同一算法族中结合更多特征实现。为更好地在上下文中分析并理解 OoD 样本，我们受霍尔定理启发开发了一种新颖的基于 kNN 的网格布局算法。该算法近似最优布局，时间复杂度为 $O(kN^2)$，快于具有总体最佳性能但时间复杂度为 $O(N^3)$ 的网格布局算法。我们在多个数据集上进行了定量评估与案例研究，以证明 OoDAnalyzer 的有效性与实用性。