面向最优特征塑造方法的分布外检测

特征塑造指一类在分布外（OOD）检测中表现出最先进性能的方法。这些方法操纵特征表示（通常来自预训练深度学习模型的倒数第二层），以更好地区分分布内（ID）和OOD样本。然而，现有的特征塑造方法通常采用为特定模型架构和OOD数据集手动设计的规则，从而限制了其泛化能力。为解决这一差距，我们首先制定了一个用于研究特征塑造方法的抽象优化框架。然后，我们提出了该框架的一个具体简化，使用简单的分段常数塑造函数，并表明现有特征塑造方法近似于具体优化问题的最优解。进一步，假设OOD数据不可访问，我们提出了一种公式，利用仅ID数据得到分段常数塑造函数的闭式解。通过大量实验，我们表明由我们的方法优化的特征塑造函数提高了OOD检测在大量数据集和模型架构上的泛化能力。