摘要

在开放世界及安全关键型应用（如自动驾驶系统和医疗健康领域）中，检测分布外（Out-of-Distribution, OOD）样本具有至关重要的作用。近年来，自监督表示学习技术（通过对比学习和预训练任务学习）在提升OOD检测性能方面展现出显著效果。然而，此类方法的一个主要挑战在于，所采用的分布偏移变换（shifting transformations）和预训练任务的选择往往依赖于域内数据的分布特性，导致其泛化能力受限。本文提出一种简洁有效的框架，通过引入分布偏移变换学习机制，对训练集学习多种偏移后的表示，从而增强OOD检测能力。为解决最优偏移变换与预训练任务选择困难的问题，我们进一步设计了一种自动化机制，可在无需任何OOD训练样本的前提下，自动选择合适的变换方式，并动态调节其对表示学习的影响。在多个图像数据集上的大量实验表明，所提出的框架在OOD检测性能上超越了当前最先进的方法。此外，本文还系统地分析了真实应用场景中理想OOD检测器应具备的关键特征，并实证验证了所提方法相较于现有先进技术的优越性。