摘要
在真实世界中安全部署机器学习模型时，检测分布外（Out-of-Distribution, OOD）输入是一个核心挑战。以往的方法通常依赖于从过参数化权重空间中提取的OOD评分，却在很大程度上忽视了稀疏化（sparsification）的作用。本文揭示了关键洞见：对无关紧要的权重和神经元的依赖，会直接导致OOD检测机制的脆弱性。为缓解这一问题，我们提出一种基于稀疏化的OOD检测框架，命名为DICE（Distribution-Informed, Contribution-based, and pruned Evaluation）。其核心思想是基于权重的贡献度进行排序，并仅选择最具显著性的权重来生成输出，用于OOD检测。我们从实验和理论两个层面提供了深入分析，系统刻画并解释了DICE提升OOD检测性能的内在机制。通过剔除噪声信号，DICE可严格证明降低OOD数据的输出方差，从而形成更尖锐的输出分布，增强其与分布内（In-Distribution, ID）数据之间的可分性。我们在多个基准测试上验证了基于稀疏化的OOD检测方法的有效性，并取得了具有竞争力的性能表现。