统一分布外检测：一种模型特定的视角

分布外（OOD）检测旨在识别不属于训练分布、因而难以被可靠预测的测试样本。尽管已有大量工作，其中多数仅关注OOD样本来自语义偏移（如未见类别）的场景，忽略了其他可能成因（如协变量偏移）。本文提出一个新颖的统一框架，在更广阔范围内研究OOD检测。我们不强求检测某一特定成因的OOD样本，而是提议检测已部署机器学习模型（如图像分类器）无法正确预测的样本。亦即，一个测试样本是否应被检测并拒绝是“模型特定的”。我们表明该框架统一了由语义偏移与协变量偏移引起的OOD样本检测，并切中机器学习模型应用于不受控环境的关切。我们提供了涉及多种模型（如不同架构与训练策略）、OOD样本来源及OOD检测方法的广泛分析，并揭示了若干关于在不控环境中改进与理解OOD检测的见解。