基于隐式异常值转换的分布外检测

异常暴露（Outlier Exposure, OE）在分布外（Out-of-Distribution, OOD）检测中具有显著效果，其通过使用代理分布外数据对模型进行微调，有效提升了检测能力。然而，常见的代理数据通常与实际测试阶段的分布外数据存在偏差，导致在面对未见的分布外样本时，OE方法的性能可能下降。为解决这一问题，本文提出一种新型基于OE的方法，使模型在面对未见的分布外情形时仍能保持良好表现，包括对从未见过的分布外样本的检测能力。该方法构建了一种极小-极大学习框架——即在训练过程中主动寻找能够导致模型判断最差的分布外数据，并基于此类数据进行学习，从而实现分布外检测性能的均衡化。在具体实现中，这些“最差”分布外数据通过变换原始代理数据生成。关键在于，我们提出了一种新颖的洞察：模型扰动可诱导数据空间的变换。基于此，我们隐式地学习了相应的数据变换函数，从而高效合成更具挑战性的分布外样本。该方法不仅补充了原始代理分布外数据，还为检测模型提供了更丰富的训练信号，显著增强了模型对未知分布外样本的鲁棒性。我们在多种典型的分布外检测设置下进行了大量实验，结果表明，所提方法在性能上显著优于现有先进方法，充分验证了其有效性与普适性。