全面的 OOD 检测改进
内容提要
该文综述分布外（OOD）检测研究进展：在统一训练方式下多种方法表现相近，二进制区分器性能接近异常暴露；介绍基于对比学习、SupCon扩展及伪OOD特征生成的稳健分类方法；提出统一代码库OpenOOD并基准评测30余种方法，发现预处理与正交后处理潜力较大；还涵盖NLP领域进展、类相关性学习、降维增强检测、似然比统一框架及基于激活极值的XOOD框架。
延伸解读
统一训练下方法趋同的启示
文章指出，在共享学习方式下，许多OOD检测方法表现相似，二进制区分器性能接近异常暴露。这意味着方法间的差异可能更多源于训练策略而非评分函数本身。读者应关注训练方式的一致性对评估公平性的影响，避免仅凭方法名称判断优劣。
OpenOOD基准的实践价值
OpenOOD统一实现了30余种方法，并发现预处理与正交后处理潜力较大。这为研究者提供了可复现的比较平台，减少了因实现差异导致的偏差。实际应用中，可优先尝试这两类后处理手段，但需注意基准结果未必直接迁移到特定领域。
对比学习与伪OOD生成的取舍
基于SupCon扩展的方法通过对比项分离ID与OOD表征，并在辅助OOD数据不可用时用特征混合生成伪OOD。这种设计简单高效，但伪OOD的质量可能影响检测效果。读者需权衡数据可得性与方法复杂度，在缺乏真实OOD数据时谨慎评估生成特征的可靠性。
似然比与极值框架的定位
文章将似然比视为原则性OOD检测方法，而非简单修正；XOOD则利用激活层极值信号，在降低FPR95和推理时间上表现突出。两者分别从理论统一和效率角度推进，但实际部署时需结合任务对误报率和延迟的敏感度进行选择。
Q&A
OOD检测中不同方法在统一训练方式下表现如何？
许多OOD检测方法在共享学习方式下表现相似，二进制区分器能达到与异常暴露相似的OOD检测性能。
OpenOOD代码库实现了多少种OOD检测方法？
OpenOOD是一个统一的、结构化的代码库，实现了超过30种OOD检测方法，并提供了全面的基准评测。
基于SupCon的OOD检测方法如何扩展损失函数？
该方法通过增加两个对比项扩展SupCon损失：第一项将辅助OOD表征与ID表征分开，第二项将OOD特征远离类原型并将ID表征推近对应类原型。当辅助OOD数据不可用时，采用特征混合技术生成伪OOD特征。
XOOD框架包含哪些算法，有什么优势？
XOOD框架包含两个算法：完全无监督的XOOD-M和自我监督的XOOD-L，两者都依赖神经网络激活层数据的极值信号来区分内部分布和OOD实例。实验证明它们在效率和准确性上优于现有方法，降低FPR95达50%，同时将推理时间提高一个数量级。
OOD检测中似然比方法有什么理论意义？
似然比是一种原则性的OOD检测方法，而不是简单的方法修正。OOD代理框架统一了许多基于似然比的方法，并讨论了领域区分和语义之间的关系。
降维增强的OOD检测方法是如何工作的？
该方法通过对高维特征进行线性与非线性降维，得到更真实的特征嵌入子空间，利用其计算分布学习和特征重构误差来有效检测不在分布内的样本，实验表明其效果优于一些已有方法。
