论 Logit 分布在可靠的超出分布检测中的重访
计算机视觉与模式识别
2025-10-24 v1
摘要
超出分布 (OOD) 检测对于确保深度学习模型在开放世界应用中的可靠性至关重要。虽然后处理方法因其效率和部署便捷性而受到青睐，但现有方法常常未充分利用模型 logits 空间中嵌入的丰富信息。在本文中，我们提出了 LogitGap，这是一种新的后处理 OOD 检测方法，显式地利用最大 logits 与其余 logits 之间的关系，以增强类内 (ID) 和 OOD 样本之间的可分离性。为进一步提高其有效性，我们通过关注 logits 空间中更紧凑且信息更丰富的子集来细化 LogitGap。具体而言，我们引入一种训练免费策略，自动识别用于评分的最有信息的 logits。我们提供了理论分析和实证证据，以验证我们方法的有效性。在广泛的视觉-语言和视觉单模态模型上进行的大量实验表明，LogitGap 在多样化的 OOD 检测场景和基准测试中始终实现了提升的检测性能。代码可在 https://github.com/GIT-LJc/LogitGap 查看。
引用
@article{arxiv.2510.20134,
title = {Revisiting Logit Distributions for Reliable Out-of-Distribution Detection},
author = {Jiachen Liang and Ruibing Hou and Minyang Hu and Hong Chang and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:2510.20134},
year = {2025}
}
备注
Accepted by NeurIPS 2025