基于最优传输的样本对抗置信区间外分布的过度自信
计算机视觉与模式识别
2026-01-30 v1 机器学习
摘要
深度神经网络（DNNs）常常在置信区间外（OOD）输入上产生过度自信的预测，这削弱了其在开放世界环境中的可靠性。半离散最优传输（OT）中的奇点标记了语义模糊地区，分类器在此类地区尤其容易产生不合理的高置信度预测。鼓励此观察，我们提出了一种原则化的框架，通过利用 OT 诱导奇点边界的几何结构来缓解 OOD 过度自信。具体而言，我们在连续基分布和训练数据潜在嵌入之间构建 OT 问题，识别其中的奇点边界。通过对这些边界附近进行采样，我们构建了一类 OOD 输入，称为最优传输诱导的 OOD 样本（OTIS），这些样本在几何上是有依托且本质上语义模糊的。在训练期间，对 OTIS 施加置信度抑制损失，以引导模型在结构上不确定的区域获得更校准的预测。大量实验表明，我们的方法显著缓解了 OOD 过度自信，优于现有领先方法。
引用
@article{arxiv.2601.21320,
title = {Optimal Transport-Induced Samples against Out-of-Distribution Overconfidence},
author = {Keke Tang and Ziyong Du and Xiaofei Wang and Weilong Peng and Peican Zhu and Zhihong Tian},
journal= {arXiv preprint arXiv:2601.21320},
year = {2026}
}
备注
Accepted by ICLR 2026