arXiv cs.AI· Donghwan Kim, Hyunsoo Yoon·· 13 小时前AI 评分27
MahaVar：基于神经坍缩下类间马氏距离方差的 OOD 检测方法
MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse
AI 导读
MahaVar 是一种事后 OOD 检测器，在马氏距离基础上加入类间距离方差项，利用 ID 样本类间马氏距离方差高、OOD 样本方差低的特点区分二者。该方法从神经坍缩几何给出理论依据，在 OpenOOD v1.5 协议下于 CIFAR-100 和 ImageNet 上取得 SOTA，AUROC 与 FPR@95 均优于现有基于马氏距离的方法。
正文 · AI 翻译
摘要：分布外（OOD）检测是确保深度神经网络在安全关键应用中可靠性的关键组成部分。在本工作中，我们提出一项关键的经验观察：对于分布内（ID）样本，逐类马氏距离呈现出明显的尖锐最小值结构，即到最近类的距离很小，而到所有其他类的距离仍然很大，导致各类之间的方差很高。相比之下，OOD 样本往往表现出不太明显的尖锐最小值结构，从而在各类之间产生相对较低的方差。我们进一步提供了理论分析，将这一观察建立在神经坍缩几何之上：在关于类内紧致性和类间分离的宽松神经坍缩假设下，ID 样本被证明在结构上表现出较高的逐类距离方差，为其用作 OOD 分数提供了理论基础。受这一观察及其理论支持的启发，我们提出了 MahaVar，一种简单有效的后验 OOD 检测器，它通过逐类距离方差项来增强马氏距离。遵循 OpenOOD v1.5 基准协议，MahaVar 在 CIFAR-100 和 ImageNet 上取得了最先进的性能，在所有基准上，其 AUROC 和 FPR@95 均较现有基于马氏距离的方法有持续提升。
| 评论： | NeurIPS 2026 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.14413 [cs.LG] |
| （或 arXiv:2605.14413v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.14413 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Donghwan Kim [查看电子邮件]
[v1]
2026年5月14日星期四 05:58:19 UTC（2,335 KB）
[v2]
2026年10月29日星期四 07:36:48 UTC（2,311 KB）
来源：arXiv cs.AI · arxiv.org