基于Vendi Novelty Score的异常分布检测
机器学习
2026-05-22 v2 计算机视觉与模式识别
摘要
异常分布（OOD）检测对于机器学习系统的安全部署至关重要。现有的后处理检测器通常依赖模型置信度得分或特征空间中的似然估计，常受限制性分布性假设的制约。本文引入了第三种范式，从多样性视角构建OOD检测问题。我们提出了Vendi Novelty Score（VNS），一种基于Vendi Scores（VS）的异常分布检测方法。VS是一族基于相似性的多样性指标。VNS量化了测试样本对内部分布特征集合的VS增量，从而提供一种无需密度建模的原则化新颖度度量。VNS具有线性时间复杂度、非参数特性，天然融合了基于类的局部新颖信号与数据集级别的全局新颖信号。在多个图像分类基准和网络架构上，VNS实现了状态最佳的异常分布检测性能。值得注意的是，即使仅使用1%的训练数据，VNS也能保持该性能，使其能够在内存或访问受限的环境中部署。
引用
@article{arxiv.2602.10062,
title = {Vendi Novelty Scores for Out-of-Distribution Detection},
author = {Amey P. Pasarkar and Adji Bousso Dieng},
journal= {arXiv preprint arXiv:2602.10062},
year = {2026}
}