arXiv cs.AI· Wonseok Shin, Songkuk Kim·· 10 小时前AI 评分22
PLUS：一种检测器无关的低维子空间信号，用于近分布外检测
Don't Replace, Complement: A Detector-Agnostic Subspace Signal for Near-OOD Detection
AI 导读
研究者提出 PLUS（Per-class Low-dimensional sUbspace Signal），从稀疏自编码器中为每个类别选取最活跃的 m 个神经元，将其解码方向正交化构成低维子空间，用类内白化平方马氏距离 z 作为近-OOD 检测信号。
正文 · AI 翻译
摘要：事后分布外（OOD）检测在远 OOD 上已成熟，但在近 OOD 上仍然较弱。这两种设置在使用类别特征性特征方向方面存在差异：远 OOD 输入基本无法激活其预测类别的特征方向，而近 OOD 输入则像分布内样本一样激活它们。由于区分远 OOD 的轴使近 OOD 几乎与 ID 无法区分，针对一种设置优化的分数与另一种设置不匹配；在检测器已在远 OOD 上饱和的情况下，增加的近 OOD 灵敏度部分是以牺牲远 OOD 性能为代价换来的。这种差异促使我们设计一种有针对性的近 OOD 信号，以补充现有分数。我们提出 PLUS（Per-class Low-dimensional sUbspace Signal，逐类低维子空间信号）。对于每个类别，PLUS 从稀疏自编码器中选出 $m$ 个类别激活最强的神经元，将对应的解码器方向正交归一化以形成低维子空间，并通过输入在其预测类别子空间内的逐类白化平方马氏距离 $z$ 对其打分。该信号 $z$ 被设计为专用补充而非独立检测器，以单一固定权重与任何已校准的基础分数加性融合。该权重是一个单一的全局常数：不针对骨干网络、OOD 数据集或部署调整任何值，且所有校准统计量仅从 ID 验证数据估计。将其应用于涵盖多种方法族的 18 个现有检测器时，$z$ 在所有 126 个检测器--骨干网络组合中一致提升近 OOD AUROC。远 OOD 性能大体保持或提升，仅在基础分数接近最优时出现轻微下降，使 $z$ 成为跨骨干网络稳健、与检测器无关的补充。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06688 [cs.LG] |
| （或 arXiv:2611.06688v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06688 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wonseok Shin [查看电子邮件]
[v1]
2026年11月4日星期三 15:55:37 UTC（913 KB）
来源：arXiv cs.AI · arxiv.org