Improving Out-of-Distribution Detection by Combining Existing Post-hoc Methods

自从Hendrycks等人在arXiv:1610.02136上发表了开创性论文以来，事后深度外部分布（OOD）检测已经迅速扩展。因此，从事安全关键应用并寻求提高神经网络鲁棒性的从业者现在可以选择大量的方法。然而，没有一种方法能够在arXiv:2210.07242上的每个数据集上优于其他方法，因此当前的最佳实践是在手头的数据集上测试所有方法。本文的重点不是开发新方法，而是有效地组合现有方法以增强OOD检测。我们提出并比较了四种不同的策略，用于将多个检测分数整合成统一的OOD检测器，基于技术，例如多数投票、经验和基于Copulas的累积分布函数建模以及基于最优传输的多元分位数。我们将常见的OOD评估指标（如AUROC和TPR固定的FPR）扩展到这些多维OOD检测器，使我们能够在广泛的基准测试中评估它们并将它们与单个方法进行比较。此外，我们提出了一系列指南，以选择在更现实的情况下组合OOD检测器，即在没有已知OOD数据的情况下，依赖于从Outlier Exposure arXiv:1812.04606中得出的原则。代码可在https://github.com/paulnovello/multi-ood上获得。

论文旨在解决如何有效地将多个现有的Out-of-Distribution（OOD）检测方法结合起来以增强OOD检测的问题。

论文提出了四种不同的策略来将多个检测分数整合成一个统一的OOD检测器，这些策略基于多数投票、经验和基于Copulas的累积分布函数建模以及基于最优传输的多元分位数等技术。

论文通过扩展常见的OOD评估指标，如AUROC和在固定TPR下的FPR，来评估这些多维OOD检测器，并在广泛的基准测试中将它们与单个方法进行比较。此外，论文提出了一系列指南，以选择在更现实的情况下组合OOD检测器，即在没有已知OOD数据的情况下，依靠从Outlier Exposure中得出的原则。

最近的相关研究包括Hendrycks等人的论文arXiv:1610.02136，以及arXiv:2210.07242中提到的没有一种方法在每个数据集上都优于其他方法的事实。