外部分布检测应该使用符合性预测（反之亦然？）
内容提要
本文探讨了多种分布外（OOD）检测方法及其隐含评分函数，展示了不同方法在共享学习下的相似性。通过引入自我知识蒸馏和监督对比学习，提出了一种有效的分类器学习方法，平衡了分类准确性与离群检测性能。此外，介绍了名为 OpenOOD 的代码库，整合了超过 30 种 OOD 检测方法，展示了该领域的显著进展。
延伸解读
OOD检测方法的统一视角
文章指出，许多OOD检测方法在共享学习方式下表现相似，其隐含评分函数具有一致性。例如，二进制区分器能达到与异常暴露相似的性能，而置信度损失在训练和测试分布外数据相同时，其隐含评分函数与理论最优不同但相似。这表明不同方法可能共享相同的学习机制，为方法比较和选择提供了新视角。
平衡分类准确性与离群检测
通过引入自我知识蒸馏损失、采样半难例离群数据和使用监督对比学习，文章提出了一种在分类准确性和离群检测性能之间取得平衡的方法。该方法同时提高了两个指标，解决了传统方法中两者难以兼顾的问题。这为实际部署中需要同时保证分类和检测性能的场景提供了有效方案。
OpenOOD代码库与基准
OpenOOD是一个统一的代码库，实现了超过30种OOD检测方法，并在一般化OOD检测框架下提供全面基准。通过比较发现，预处理方法和正交后处理方法显示出很强潜力，表明该领域近年来取得显著进展。这为研究者提供了标准化的评估平台，有助于推动OOD检测技术的进一步发展。
非参数最近邻方法的优势
文章提到，非参数最近邻距离方法不施加任何分布假设，具有更强灵活性和普适性。在多个基准测试中，该方法相对强基线Mahalanobis距离方法，显著降低了24.77%的误报率（FPR@TPR95）。这表明在开放世界任务中，避免分布假设可以提升OOD检测的鲁棒性，为实际应用提供了更可靠的解决方案。
Q&A
什么是外部分布检测（OOD）？
外部分布检测（OOD）是识别与训练数据分布不同的数据样本的过程。
文章中提到的 OpenOOD 代码库有什么特点？
OpenOOD 是一个整合超过 30 种 OOD 检测方法的代码库，提供全面的基准测试。
如何平衡分类准确性与离群检测性能？
通过引入自我知识蒸馏损失和监督对比学习，可以在分类准确性与离群检测性能之间取得平衡。
文章中提到的贝叶斯模型和 Monte-Carlo Dropout 技术的作用是什么？
这些技术用于减少训练集和测试集分布不匹配带来的不确定性，从而提高 OOD 的 F1 得分。
过去几年中，OOD 检测领域取得了哪些显著进展？
该领域在预处理和正交后处理方法上取得了显著进展，提升了检测性能。
如何使用对比性训练提高异常数据输入的检测能力？
通过引入混淆对数概率得分来量化数据集的内离散度，从而提高检测能力。
