Introducing 'Inside' Out of Distribution

在机器学习中，检测和理解样本的分布情况对于确保模型的可靠性至关重要。目前的OOD研究通常集中在外推性OOD（超出分布范围），而忽略了内插性OOD（分布范围内）。本研究提出了一种新的OOD视角，认为OOD可以分为内部和外部两种情况。此外，根据这一框架，我们研究了数据集的内部-外部OOD特征及其对机器学习模型性能的影响。我们的分析表明，不同的内部-外部OOD特征会导致机器学习模型性能的微妙下降，强调了区分这两种情况以开发有效的反OOD方法的重要性。

本论文旨在解决机器学习中的out-of-distribution（OOD）问题，提出了将OOD分为内插和外推两种情况的新视角，并探讨了数据集的内插-外推OOD特征对机器学习模型性能的影响。

本论文的关键思路是将OOD问题分为内插和外推两种情况，并对它们的影响进行深入研究，以便开发出更有效的解决方案。

该论文对多个数据集进行了实验，发现不同的内插-外推OOD特征会导致机器学习模型性能下降的程度不同，这强调了区分这两种情况对于开发有效的反OOD方法的重要性。此外，该论文提供了一些开放源代码，以便其他研究人员可以重现和扩展这项工作。

在这个领域中的相关研究包括：1.基于深度神经网络的OOD检测方法；2.使用生成对抗网络（GAN）的OOD检测方法；3.使用统计方法的OOD检测方法。