基于伪标签诱导的子空间表示学习用于稳健的 out-of-distribution 检测
机器学习
2025-08-06 v1 人工智能
摘要
Out-of-distribution (OOD) 检测是鲁棒人工智能 (AI) 的核心问题，旨在识别来自训练集之外新分布样本。近期方法利用特征表示作为 OOD 检测的判别信号，但大多数现有方法依赖于对特征空间的限制性假设，导致 ID 与 OOD 样本之间的可分离性受限。本文提出一种新型 OOD 检测框架，基于伪标签诱导的子空间表示，在更放松自然的假设下工作。此外，我们引入一种简单有效的学习准则，将基于交叉熵的 ID 分类损失与子空间距离正则化损失相结合，以增强 ID-OOD 的可分离性。大量实验验证了本框架的有效性。
引用
@article{arxiv.2508.03108,
title = {Pseudo-label Induced Subspace Representation Learning for Robust Out-of-Distribution Detection},
author = {Tarhib Al Azad and Faizul Rakib Sayem and Shahana Ibrahim},
journal= {arXiv preprint arXiv:2508.03108},
year = {2025}
}