多原型联合学习用于外部分布检测
内容提要
该文综述了分布外检测（OOD）的多项研究，包括非参数最近邻距离方法（误报率降低24.77%）、连续自适应OOD检测（CAOOD）、元OOD学习（MOL）、基于SupCon的对比学习、CIDER超球嵌入、WOOD弱监督框架、AIOL自适应样本法、POORE伪OOD正则化及多尺度MODE框架等，这些方法在基准测试中均表现优异。
延伸解读
方法多样性与技术路线
文章综述了多种OOD检测方法，涵盖非参数最近邻距离、连续自适应OOD检测（CAOOD）、元OOD学习（MOL）、基于SupCon的对比学习、CIDER超球嵌入、WOOD弱监督框架、AIOL自适应样本法、POORE伪OOD正则化及多尺度MODE框架等。这些方法从不同角度切入，包括距离度量、元学习、对比学习、弱监督和多尺度特征融合，反映了OOD检测领域的活跃探索。
性能提升与评估指标
多项方法在基准测试中报告了显著的性能提升。例如，非参数最近邻距离方法将误报率（FPR@TPR95）降低了24.77%，CIDER在FPR95上比最新对手高出19.36%，MODE平均在误报率上提高19.24%、AUROC提高2.77%。这些指标表明，不同技术路线均能有效提升OOD检测的准确性，但具体提升幅度因方法而异。
实际应用与挑战
文章涉及的方法针对现实场景中的挑战，如连续自适应OOD检测（CAOOD）旨在适应动态分布且ID样本不足的情况，WOOD框架处理多模态OOD检测，AIOL解决有限标记数据下的OOD检测。这些工作表明OOD检测正从静态基准向动态、弱监督和实际部署环境发展，但各方法仍需在更复杂场景中验证其泛化能力。
Q&A
非参数最近邻距离方法在OOD检测中有什么优势？
该方法不施加任何分布假设，具有更强的灵活性和普适性，在多个基准测试中有效，并且相对强基线Mahalanobis距离方法，显著降低了24.77%的误报率（FPR@TPR95）。
连续自适应OOD检测（CAOOD）是什么？
CAOOD是一种新颖且更现实的设置，旨在开发一种能够适应动态和迅速适应新到达分布的OOD检测模型，并且在部署期间具有不足的ID样本。通过设计学习和适应图表，开发了元OOD学习（MOL），在训练过程中学习到一个良好初始化的OOD检测模型，测试时通过少量适应快速调整到新的分布。
CIDER框架如何提升OOD检测性能？
CIDER是一种基于超球嵌入的新型表示学习框架，共同优化两个损失以促进强的ID-OOD可分离性，并通过分析超球空间中嵌入特性与OOD检测性能的关系，演示了离散度和紧凑性的重要性，结果表明CIDER表现优异，FPR95比最新对手高出19.36%。
WOOD弱监督OOD检测框架有什么特点？
WOOD是一种通用的弱监督OOD检测框架，能同时检测多种不同的OOD场景，并结合二元分类器和对比学习组件以取得双方的优势，实验证明该模型在多模态OOD检测方面超过了现有方法。
AIOL方法如何解决有限标记数据下的OOD检测问题？
AIOL是一种自适应的基于样本熵和适当温度选择潜在ID和OOD样本的方法，利用数据扩充技术进一步提高性能，在多种基准数据集上实验表明优于其他方法。
MODE多尺度框架在OOD检测中取得了什么效果？
MODE是第一个多尺度的“模式”框架，通过同时利用图像的全局视觉信息和局部区域细节来实现最大效益的外域检测，引入注意力机制和交叉尺度决策函数，在几个基准测试中平均可以在误报率上提高19.24%、在AUROC上提高2.77%。
