超分布检测：最新进展的任务导向综述
机器学习
2025-08-05 v4
摘要
超分布检测(OOD)旨在检测测试样本是否超出训练类别空间，是构建可靠机器学习系统的关键组成部分。现有关于OOD检测的综述主要关注方法分类，通过various方法进行归类。然而，许多近期研究聚焦于非传统OOD检测场景，如测试时自适应、多模态数据源及其他新颖情境。本综述首次从任务导向视角审阅近期OOD检测进展。根据用户是否允许修改或重新训练模型，我们将方法划分为训练驱动型和训练不可知型。此外，鉴于预训练模型的快速发展，基于大规模预训练模型的OOD检测也被视为重要类别并单独讨论。进一步，我们讨论了评估情境、各种应用场景以及若干未来研究方向。我们认为，本综述的新型分类将有助于提出新方法并拓展更实际的应用场景。相关论文 curated list已提供于Github仓库：https://github.com/shuolucs/Awesome-Out-Of-Distribution-Detection。
引用
@article{arxiv.2409.11884,
title = {Out-of-Distribution Detection: A Task-Oriented Survey of Recent Advances},
author = {Shuo Lu and Yingsheng Wang and Lijun Sheng and Lingxiao He and Aihua Zheng and Jian Liang},
journal= {arXiv preprint arXiv:2409.11884},
year = {2025}
}
备注
Accepted to ACM Computing Surveys (CSUR) 2025