当准确率不够时：噪声标签学习与分布外检测之间的不确定性坍缩
机器学习
2026-05-19 v1 计算机视觉与模式识别
摘要
使用噪声标签学习 (LNL) 的模型通常以封闭集合分类准确率进行评估，但实际部署时往往需要分类器拒绝分布外 (OOD) 输入。我们提出了一个学习器无关的ACC-OOD基准测试，该基准冻结LNL检查点，并在标准化的近/远OOD路由和后处理得分上进行评估，涵盖合成和真实标签噪声。基准测试揭示了一种反复出现的失败模式：高的封闭集合准确率并不确保OOD可靠性，因为低置信度、被误分类的分布内样本可能与噪声训练下的OOD输入在得分和特征区域重叠。我们称这种病态为不确定性坍缩。这种结构重叠可能使得高精度LNL方法在标准OOD得分下丢失ID错误/OOD界面上的可分离性。作为一种干预，我们研究了虚拟边际正则化 (VMR)，这是一种轻量级的修复探针，主要使用PSSCL合成边界虚拟异常值，并扩大能量边际。VMR在不替换主机目标且不牺牲封闭集合准确率的前提下，部分缓解了坍缩导致的远OOD失败。这些结果支持报告封闭集合泛化、开放世界可靠性以及结构重叠诊断的LNL基准测试。
引用
@article{arxiv.2605.17795,
title = {When Accuracy Is Not Enough: Uncertainty Collapse between Noisy Label Learning and Out-of-Distribution Detection},
author = {Ningkang Peng and Jingyang Mao and Runhan Zhou and Peirong Ma and Yanhui Gu},
journal= {arXiv preprint arXiv:2605.17795},
year = {2026}
}