基于表示空间扩散模型的 Tippett-最小值融合用于多编码器离群检测

我们通过多编码器融合每个编码器的表示空间扩散模型(RDM)，解决离群检测(ODD)问题，该问题涵盖分布偏移的整个谱系——全局域变化、语义差异、纹理差异和协变量损坏。我们从 ID 数据中统计识别每个编码器对特定偏移类型的灵敏度，并引入 EncMin2L——一种无ODD标签的编码器无关两种级$\min(\cdot)$门，用于组合和校准每个编码器基于扩散的似然检测器，不使用 OOD 标签即可超越单一多编码器基线，在参数成本降低 $2.3\times$。两个 ID 数据诊断：$\eta^2$（类条件 F 检验）和$\Delta\mu$（在人工损坏下的对数似然漂移）——量化编码器的专业化，而 Tippett 最小值 $p$ 检验组合聚合每个编码器的得分为单个校准稳定的 ODD 信号。EncMin2L 在所有四种偏移类型同时实现 $\geq 0.94$ AUROC，超越重叠基准测试中表现最好的表示空间扩散 OOD 检测器。