摘要

分布外（Out-of-Distribution, OOD）检测是将机器学习模型部署于开放世界环境中的关键任务。基于距离的方法展现出良好的前景：若测试样本与分布内（In-Distribution, ID）数据在特征空间中相对距离较远，则被判定为分布外样本。然而，以往方法通常对潜在特征空间施加较强的分布假设，这些假设在实际中未必成立。本文探讨了非参数化最近邻距离在OOD检测中的有效性，这一方法在现有文献中长期被忽视。与先前工作不同，我们的方法不依赖任何分布假设，因而具备更强的灵活性与通用性。我们在多个基准数据集上验证了基于最近邻的OOD检测方法的有效性，并取得了优于现有方法的性能表现。在相同ImageNet-1k模型训练条件下，相较于采用参数化方法（马氏距离）的强基准方法SSD+，我们的方法将FPR@TPR95（即在95%真正例率下的假正例率）显著降低了24.77%。代码已开源：https://github.com/deeplearning-wisc/knn-ood。