基于相对角度的异常分布检测
机器学习
2025-10-02 v2 计算机视觉与模式识别
摘要
在实际应用中，深度学习系统常常遇到与其训练分布（in-distribution, ID）不同的数据。可靠的模型理想情况下应在这种异常分布（out-of-distribution, OOD）情境下选择不作决定。现有 SOTA 方法主要关注特征距离，如 k 近邻和到决策边界的距离，或忽视或无效地利用 ID 统计信息。本文提出一种基于角度的新型度量方法，用于 OOD 检测，其计算相对于 ID 结构而言。我们展示了从 ID 特征均值观察决策边界与特征表示之间的夹角，作为 ID 与 OOD 数据之间有效判别因子。我们在九个 ImageNet 预训练模型上进行评估。我们的方法在 5 个中的 9 个模型中实现最低的 FPR，总体获得最佳平均 FPR，并在所有评估模型中始终位于前 3 名。此外，我们通过显示 ResNet SCL 和 CLIP 架构表现出色，凸显了对对比表示的优势。最后，我们演示了该得分的尺度不变性特性可通过简单求和实现集成策略。代码地址：https://github.com/berkerdemirel/ORA-OOD-Detection-with-Relative-Angles。
引用
@article{arxiv.2410.04525,
title = {Out-of-Distribution Detection with Relative Angles},
author = {Berker Demirel and Marco Fumero and Francesco Locatello},
journal= {arXiv preprint arXiv:2410.04525},
year = {2025}
}