摘要

在开放世界环境中部署的机器学习模型，检测分布外（Out-of-Distribution, OOD）样本至关重要。基于分类器的评分方法因其具备细粒度检测能力，已成为OOD检测的标准手段。然而，这类评分方法常存在过度自信问题，导致远离分布内（In-Distribution, ID）区域的OOD样本被错误分类。为应对这一挑战，本文提出一种名为最近邻引导（Nearest Neighbor Guidance, NNGuide）的方法，通过引导分类器评分尊重数据流形的边界几何结构，有效缓解OOD样本的过度自信问题，同时保持分类器评分原有的细粒度检测能力。我们在多种设置下，针对ImageNet OOD检测基准进行了大量实验，涵盖ID数据发生自然分布偏移的场景。实验结果表明，NNGuide显著提升了基础检测评分的性能，在AUROC、FPR95和AUPR三项指标上均达到当前最优水平。相关代码已公开，地址为：\url{https://github.com/roomo7time/nnguide}。