数据集身份，而非新颖性：夸大的 OOD 检测增益来源

arXiv:2610.01096v1 发布类型：新 摘要：事后 OOD 检测器读取经过训练的分类器的激活值，并返回一个分数。它在分布内数据上拟合该分数，而评估它的基准还会提供第二份 OOD 数据，用于拟合过程本身。有些检测器会在这份数据上调节一个常数；另一些则在特征空间中拟合一个方向，或训练一个灵活的组合器，并将其达到的数值报告为仍可获得的增益。所有这类拟合都会在同一 OOD 数据集的留出样本上进行验证。这种检查排除了记忆单张图像的可能性，却无法说明拟合是否学会了识别它所面对的是哪个数据集；一个能够识别某个 OOD 数据集而非新颖性的方向，同样可以完美通过验证。实际部署的检测器面对的是来自未参与拟合的数据源的 OOD 数据，因此二者之间的差异决定了所报告数值的价值。我们通过留出整个 OOD 数据集，而不是其中的一个样本，来测量这一差异，并将其称为膨胀。我们在基于 ImageNet 和 CIFAR-100 的骨干网络上，考察了范围广泛的组合器。结果表明，通常协议报告的增益中，大部分实际上来自数据集身份，而非新颖性。拟合规模的大小并不会改变最终保留下来的部分，因此这种效应并不是通常意义上的过拟合。其占比取决于输入是否暴露了类别身份；在两个基准的每个骨干网络上，两个仅改变这一属性的控制实验都能将膨胀区分出来。我们给出了一个闭式表达式来解释这一效应，并根据拟合数据行计算它，使实践者无需运行留出协议，就能判断哪些拟合会产生膨胀。其中有一种拟合能够保留下来，即领域已经在指定验证数据集上选用的单个常数。除此之外的任何拟合所报告的增益，都不会被留出协议复现；在其中一个基准上，最终保留的部分在下降，而报告的数值却在上升。