Learning Transferable Negative Prompts for Out-of-Distribution Detection

现有的提示学习方法在Out-of-Distribution（OOD）检测方面表现出一定的能力，但是它们在训练过程中目标数据集中缺乏OOD图像，可能导致OOD图像与In-Distribution（ID）类别之间存在不匹配，从而导致高误报率。为了解决这个问题，我们引入了一种新的OOD检测方法，名为“NegPrompt”，用于学习一组负面提示，每个提示都代表给定类别标签的负面内涵，以区分ID和OOD图像之间的边界。它仅使用ID数据学习这样的负面提示，而不依赖于外部离群数据。此外，当前的方法假定所有ID类别的样本均可用，这使它们在开放词汇学习场景中无效，在这种情况下，推理阶段可能包含未在训练期间出现的新ID类别。相比之下，我们学习的负面提示是可转移的，适用于新的类别标签。在各种ImageNet基准测试中的实验表明，NegPrompt超越了基于提示学习的OOD检测方法的最新水平，并在闭合和开放词汇分类情况下保持了一致的领先地位。代码可在https://github.com/mala-lab/negprompt找到。

本文旨在解决Out-of-Distribution (OOD)检测中的误检问题，通过学习一组负面提示来区分ID和OOD图像。同时，还解决了传统方法在开放词汇学习场景中的无法处理新类别的问题。

本文提出了一种名为'NegPrompt'的新型OOD检测方法，通过仅使用ID数据学习一组负面提示来区分ID和OOD图像，并且这些负面提示可以迁移到新的类别标签上。

本文的实验结果表明，NegPrompt在闭合和开放词汇分类场景中的难度OOD检测方面优于目前最先进的基于提示学习的OOD检测方法，并且保持了一致的领先优势。此外，本文提供了开源代码。

最近在这个领域中，还有一些相关研究，如'Mahalanobis ODIN'和'ODIN'。