基于自适应Top-K Logit集成的离群分布检测
计算机视觉与模式识别
2025-07-02 v1
摘要
神经网络常对来自离群分布(OOD)样本的预测过于自信。因此，检测OOD数据对于提高机器学习的安全性至关重要。检测OOD数据最简单且最有力的方法是MaxLogit，该方法使用模型的最大logit提供OOD得分。我们发现，除了最大logit外，一些其他logit也对OOD检测有用。基于这一发现，我们提出了一种新方法称为ATLI(自适应Top-k Logit集成)，该方法自适应地确定特定于每个模型的有效top-k logit，并将最大logit与其他top-k logit组合在一起。在本研究中，我们使用ImageNet-1K基准对所提出的方法进行评估。广泛的实验表明，我们提出的方法比MaxLogit方法将假阳性率(FPR95)降低了6.73%，与其他最先进的方法相比，FPR95进一步降低2.67%。
引用
@article{arxiv.2507.00368,
title = {Out-of-Distribution Detection with Adaptive Top-K Logits Integration},
author = {Hikaru Shijo and Yutaka Yoshihama and Kenichi Yadani and Norifumi Murata},
journal= {arXiv preprint arXiv:2507.00368},
year = {2025}
}