摘要
分布外（Out-of-Distribution, OOD）检测，即识别输入样本是否来自与训练分布不同的新分布，是保障机器学习系统在开放世界中安全部署的关键任务。近年来，基于预训练模型的后处理检测方法展现出优异的性能，并具备向大规模问题扩展的潜力。这一进展自然引出一个关键问题：我们能否利用多个预训练模型之间的多样性，进一步提升后处理检测方法的性能？在本工作中，我们提出一种通过集成来自多个预训练模型“模型动物园”（model zoo）的检测决策来增强OOD检测性能的方法。该方法采用p值而非常用的硬阈值，并基于多重假设检验的基本框架，有效控制分布内（In-Distribution, ID）数据的真正例率（True Positive Rate）。我们重点研究模型动物园的利用方式，并在多个主流OOD检测基准上，与当前最先进的方法进行了系统的实证比较。实验结果表明，所提出的集成方案在性能上显著优于单模型检测器，并大幅超越现有竞争性方法。在CIFAR-10和ImageNet基准上，我们的方法分别实现了相对性能提升65.40%和26.96%。