摘要

可靠地检测分布外（out-of-distribution, OOD）输入，正逐渐被视为机器学习系统部署的前提条件。本文提出并系统研究了一种基于对比学习（contrastive training）的方法，以提升OOD检测性能。与现有主流OOD检测方法不同，本方法无需依赖显式标注为OOD的样本，而这类样本在实际应用中往往难以获取。通过大量实验验证，我们发现对比学习在多个常用基准测试上显著提升了OOD检测的性能。此外，本文引入并应用了“混淆对数概率”（Confusion Log Probability, CLP）评分，该指标通过衡量正常数据与异常数据之间的相似程度，量化了OOD检测任务的难度。实验结果表明，该方法在“近似分布外”（near OOD）类别上表现尤为突出，而这一场景正是以往方法面临重大挑战的典型情形。