摘要

分布外（OOD）检测在许多应用中具有重要意义。尽管语义和领域偏移的OOD问题已得到广泛研究，本研究重点关注协变量偏移——数据分布中的细微变化，这些变化可能会降低机器学习性能。我们假设，检测这些细微的变化可以加深对分布内边界的理解，从而最终提高OOD检测的效果。在使用批归一化（Batch Normalization, BN）训练的对抗判别器中，真实样本和对抗样本形成了具有独特批量统计特性的不同域——这一特性被我们利用于OOD检测。我们引入了DisCoPatch，这是一种无监督的对抗变分自编码器（Adversarial Variational Autoencoder, VAE）框架，该框架利用了这一机制。在推理过程中，批次由同一图像的补丁组成，确保数据分布的一致性，从而使模型能够依赖批量统计特征。DisCoPatch 使用 VAE 的次优输出（生成和重建）作为负样本训练判别器，从而增强其区分分布内样本和协变量偏移边界的能力。通过收紧这一边界，DisCoPatch 在公开的 OOD 检测基准测试中取得了最先进的结果。所提出的模型不仅在检测协变量偏移方面表现出色，在 ImageNet-1K(-C) 上达到了 95.5% 的 AUROC（Area Under the Receiver Operating Characteristic Curve），而且在公开的近似 OOD（Near-OOD）基准测试中也超越了所有先前的方法（95.0%）。该模型体积仅为 25MB，在显著低于现有方法的延迟下实现了高 OOD 检测性能，使其成为适用于实际 OOD 检测应用的有效且实用的解决方案。代码将对外公开发布。