摘要
在机器学习中，通常观察到标准训练得到的模型对分布内（in-distribution, ID）和分布外（out-of-distribution, OOD）数据均会输出异常高的置信度。因此，有效检测OOD样本对于模型的实际部署至关重要。OOD检测的一个关键步骤是事后评分（post-hoc scoring）。MaxLogit是一种最简单的评分函数，其利用最大logit值作为OOD得分。为从新视角研究基于logit的评分方法，我们提出将logit重新分解为余弦相似度（cosine similarity）和logit模长（logit norm），并相应地引入MaxCosine与MaxNorm作为新的评分指标。实验发现，MaxCosine是MaxLogit有效性的核心因素，而MaxNorm则在一定程度上制约了MaxLogit的性能表现。为解决该问题，我们提出解耦型MaxLogit（Decoupling MaxLogit, DML），以灵活地平衡MaxCosine与MaxNorm的贡献。为进一步凸显方法的核心思想，我们基于新洞察——即较少的困难样本（hard samples）和紧凑的特征空间是提升基于logit方法性能的关键——进一步将DML扩展为DML+。我们在CIFAR-10、CIFAR-100和ImageNet等基准数据集上验证了所提基于logit的OOD检测方法的有效性，并取得了当前最优的性能表现。