具备光谱归一化联合能量的多标签离群检测
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了一种名为JointEnergy的方法，旨在降低多标签分类中的误假阳性率。该方法通过聚合多个标签的能量得分来检测分布外（OOD）数据，理论上能更好地区分内部和外部数据。与传统方法相比，使用能量分数显著提高了检测性能，并在多个基准测试中表现优异。
🔎
延伸解读
多标签场景下的OOD检测挑战
多标签分类中，一个样本可能同时属于多个类别，传统基于softmax置信度的OOD检测方法容易对OOD数据过度自信，导致误假阳性率较高。JointEnergy通过聚合多个标签的能量得分来构建OOD指示器，旨在更准确地区分内部和外部数据，为多标签OOD检测提供了新思路。
能量分数相比softmax的优势
文章指出，传统softmax置信度得分在OOD数据上存在过度自信问题，而能量分数能更好地刻画数据分布。实验表明，使用能量分数将平均FPR（在TPR 95%处）降低了18.03%，说明能量分数在区分内部和外部数据上更有效，有助于提升多标签分类的可靠性。
统一框架的灵活性与扩展
JointEnergy提供了一个使用能量分数的OOD检测统一框架，能量既可作得分函数，也可作可训练的成本函数。这种灵活性使得该方法能适应不同任务，如语义分割、图数据等，为后续研究提供了可扩展的基础。
❓
Q&A
JointEnergy方法的主要目标是什么？
JointEnergy方法旨在降低多标签分类中的误假阳性率。
JointEnergy如何检测分布外数据？
该方法通过聚合多个标签的能量得分来检测分布外（OOD）数据。
传统的softmax方法在OOD数据上存在哪些问题？
传统的softmax方法在OOD数据上存在过度自信的问题。
使用能量分数的优势是什么？
使用能量分数显著提高了检测性能，平均FPR在TPR 95%处降低了18.03%。
JointEnergy方法在基准测试中的表现如何？
该方法在多个基准测试中表现优异，能够更好地区分内部和外部数据。
JointEnergy方法与传统方法相比有什么创新之处？
JointEnergy方法通过能量得分聚合，提供了一种新的框架来检测OOD数据，克服了传统方法的不足。
🏷️
