TASTE：基于 Stein 算子的数据驱动任务外分布检测
机器学习
2026-02-10 v1
摘要
外分布检测方法通常要么以数据为中心，无论其对训练模型的影响如何，都检测输入分布的偏差；要么以模型为中心，依赖分类器输出，却未明确引用数据几何。我们提出TASTE（Task-Aware STEin operators）：一个基于所谓Stein算子的数据感知框架，使我们能够将分布偏移关联到模型的输入灵敏度。我们证明，该算子作为模型灵敏度场上分布偏移的投影，具有清晰的几何解释，从而获得理论保证。除检测偏移的存在外，同一构造还能通过坐标分解实现其局部定位；对于图像数据，还能提供可解释的逐像素诊断。在受控高斯偏移、MNIST几何扰动以及 CIFAR-10 扰动基准上进行的实验表明，所提方法与任务退化程度高度吻合，并优于现有基线方法。
引用
@article{arxiv.2602.07640,
title = {TASTE: Task-Aware Out-of-Distribution Detection via Stein Operators},
author = {Michał Kozyra and Gesine Reinert},
journal= {arXiv preprint arXiv:2602.07640},
year = {2026}
}