Combine and Conquer: A Meta-Analysis on Data Shift and Out-of-Distribution Detection

本文介绍了一种无缝结合超出分布（OOD）检测分数的通用方法。这些分数涵盖了广泛的技术，利用深度学习模型的自信心和潜在空间中特征的异常行为。不出所料，使用简单的统计方法来组合这样一个多样化的群体是不够的。为了克服这个挑战，我们提出了一种分位数归一化方法，将这些分数映射到p值，有效地将问题框架转化为多元假设检验。然后，我们使用已建立的元分析工具结合这些测试，得到具有巩固决策边界的更有效的检测器。此外，我们通过将最终统计数据映射到具有已知参数的分布中，创建了一个概率可解释的标准。通过经验研究，我们探索了不同类型的变化，每种变化对数据产生不同程度的影响。我们的结果表明，我们的方法显著提高了在各种OOD检测场景下的整体鲁棒性和性能。值得注意的是，我们的框架易于扩展到未来的检测分数发展，并且是第一个在这个背景下组合决策边界的框架。与本文相关的代码和工件可公开获取\footnote{\url{https://github.com/edadaltocg/detectors}}。

该论文旨在提出一种通用方法，无缝地结合深度学习模型的自信度和潜在空间特征的异常行为来检测数据中的异常值。

通过将这些得分映射到p值，然后使用已建立的元分析工具组合这些测试，将问题框架化为多元假设检验，从而克服了将这些不同的检测分数组合在一起的挑战。

通过将最终统计数据映射到具有已知参数的分布中，创建了一个概率可解释的标准。实验结果表明，该方法在各种OOD检测场景下显著提高了整体鲁棒性和性能。该框架易于扩展到未来检测得分的发展，并成为首个在此上下文中组合决策边界的方法。代码和相关资料已公开。

最近的相关研究包括：1.ODIN 2.Mahalanobis-distance-based检测器 3.深度集成模型