TSRE：面向通道特征的典型集精细化用于离分布检测
计算机视觉与模式识别
2025-11-25 v1
摘要
离分布检测 (Out-of-Distribution, OOD) 是确保机器学习模型在开放世界环境中安全部署的关键能力，因为意外或异常输入可能损害模型的可靠性和性能。基于激活的检测方法在 OOD 检测中发挥着基本作用，通过缓解异常激活并增强类别分布内 (in-distribution, ID) 数据与离分布数据之间的分离。然而，现有方法在应用激活校正时常常忽略通道的内在特征和分布偏斜性，导致典型集估计不准。这一差异可能导致跨通道异常激活被错误地纳入典型集。为解决这一局限性，本文提出了一种基于判别性和活性的典型集精细化方法，通过通道感知的方式校正激活。进而，我们引入基于偏斜性的精细化，以缓解典型集估计中的分布偏置。最后，我们利用校正后的激活值计算能量得分进行 OOD 检测。在 ImageNet-1K 和 CIFAR-100 基准测试上的实验结果表明，我们的方法在实现最先进性能的同时，能有效地跨模型结构和得分函数进行泛化。
引用
@article{arxiv.2511.17636,
title = {TSRE: Channel-Aware Typical Set Refinement for Out-of-Distribution Detection},
author = {Weijun Gao and Rundong He and Jinyang Dong and Yongshun Gong},
journal= {arXiv preprint arXiv:2511.17636},
year = {2025}
}