摘要
分布外（Out-of-Distribution, OOD）检测对于深度神经网络在安全关键场景中的应用至关重要。由于深度神经网络（DNN）模型对分布外样本也可能产生极高的输出logits值，因此直接使用Softmax函数对输出logits进行处理以获取置信度分数，难以有效区分OOD数据，使得OOD检测面临巨大挑战。与此不同，本文提出一种基于霍普菲尔德（Hopfield）能量的检测方法，采用“存储-比对”范式实现OOD识别。具体而言，将训练集在倒数第二层的输出视为分布内（In-Distribution, ID）数据的表征，并将其转换为存储的模式，作为锚点用于度量未见数据与已知分布之间的差异，从而实现OOD检测。基于现代霍普菲尔德网络中定义的能量函数，我们推导出一种简化的能量计算方式——简化的霍普菲尔德能量（Simplified Hopfield Energy, SHE），并辅以理论分析支持其有效性。在SHE方法中，每类仅使用一个存储模式来代表该类别，该模式可通过简单地对训练样本中同一类别的倒数第二层输出进行平均获得。该方法无需任何超参数调优，同时具备极高的计算效率。在九个广泛使用的OOD检测数据集上的实验结果表明，该方法虽结构简单，却表现出色，显著优于当前主流的先进模型。代码已开源，地址为：https://github.com/zjs975584714/SHE-ood-detection。