摘要
给定一个预训练的分布内（in-distribution, ID）模型，推理阶段的分布外（out-of-distribution, OOD）检测旨在识别推理过程中出现的OOD数据。然而，一些代表性方法基于一个未经证实的假设：OOD数据属于每一个ID类别的概率应当相等，即这些OOD到ID类别的概率实际上服从均匀分布。本文指出，当ID模型在类别不平衡的数据上进行训练时，这一假设会导致上述方法失效。幸运的是，通过分析ID与OOD类别之间以及类别与特征之间的因果关系，我们识别出若干常见场景，在这些场景下，OOD到ID类别的概率应服从ID类别的先验分布。基于此，我们提出了两种策略来改进现有的推理阶段OOD检测方法：1）若现有方法显式使用了均匀分布，则将其替换为ID类别的先验分布；2）否则，根据预训练模型的Softmax输出与ID类先验分布之间的相似性，对检测得分进行重加权。大量实验结果表明，当ID模型在类别不平衡的数据上预训练时，上述两种策略均能显著提升OOD检测性能，充分体现了ID类先验在OOD检测中的关键作用。