基于反事实距离的异常分布检测
机器学习
2025-08-15 v1 人工智能
摘要
准确且可解释的异常分布（OOD）检测是确保机器学习系统安全运行的关键要求。先前研究表明，特征距离决策边界可有效识别 OOD 数据。本文建立在此直觉之上，提出一种后处理 OOD 检测方法，该方法给定输入后计算其到决策边界的距离，同时利用反事实解释。由于对大型架构计算解释代价高昂，我们也提出了策略，通过在嵌入空间中直接计算反事实解释来提升可扩展性。关键在于，本方法运用反事实解释，可无缝用于帮助解释检测器的结果。我们在 CIFAR-10 上实现 93.50% 的 AUROC 和 25.80% 的 FPR95，与最先进方法持平。在 CIFAR-100 上达到 97.05% 的 AUROC 和 13.79% 的 FPR95，在 ImageNet-200 上达到 92.55% 的 AUROC 和 33.55% 的 FPR95，跨越四个 OOD 数据集。
引用
@article{arxiv.2508.10148,
title = {Out-of-Distribution Detection using Counterfactual Distance},
author = {Maria Stoica and Francesco Leofante and Alessio Lomuscio},
journal= {arXiv preprint arXiv:2508.10148},
year = {2025}
}