基于类感知流对比学习的分布外检测新方法：增强深度模型在开放环境中的鲁棒性与安全性

本文提出类感知流对比学习（CAFCL）框架，通过融合类感知映射模块与类内损失（Lintra），显著提升分布外（OOD）检测能力。该方法在保留分类器性能的同时实现高效密度估计，为安全关键领域（如医疗诊断、自动驾驶）的模型部署提供可靠保障。

　　

亮点

• 我们提出CAFCL这一增强型基于密度的OOD检测框架。它引入新型类内损失L_intra，旨在显式最小化类内特征方差，从而促进更紧密、更具判别性的聚类形成。该优化无需依赖外部OOD数据即可同时提升ID分类性能与OOD分离能力。此外，我们还引入了类感知投影模块，进一步优化特征表示，在提高分类精度的同时保持强大的OOD检测性能。

• 综合评估使用FPR95、AUROC、AUPR-Success和AUPR-Error等标准指标表明，CAFCL在多样化OOD场景中始终优于现有方法。值得注意的是，我们的方法不仅增强了OOD检测的鲁棒性，还获得了卓越的ID分类精度，尤其在高维设置中。此外，CAFCL展现出随着类别数量增加的强大可扩展性，即使在复杂特征空间中也能保持稳定性能。

• 可视化分析（包括直方图和对数似然图）有力证明了CAFCL在实现ID与OOD样本锐利分离方面的功效，同时保持了类内紧凑性并保留了类内特征区分。我们进一步强调了模型改进的聚类凝聚力和精细决策边界，从而验证了所提出组件的优势。

方法

我们的框架通过融入类感知特征学习来增强正常化流（Normalizing Flows）的分布外（OOD）检测能力。§3.1奠定了理论基础，介绍了基于耦合层的正常化流[25]的公式及其与监督对比学习目标[15]的协同作用，特别侧重于类条件密度估计。随后，§3.2详细阐述了我们的 proposed 方法——类感知流对比学习（CAFCL）。

实验设置

数据集与模型。 我们的框架使用CIFAR-10 [27]和CIFAR-100 [27]作为分布内（D_in）数据集。为全面评估OOD，我们采用了六个多样化测试集：iSUN [28]（自然场景）、LSUN-Crop [29]和LSUN-Resize [29]（大规模场景理解）、SVHN [30]（数字识别）、Textures [31]（材质分类）和Places365 [32]（场景解析）。我们采用了两种不同的骨干架构：ResNet-18 [33]和WideResNet（40-2）[34]，其中符号（40-2）表示网络深度为40层且扩展因子为2。

讨论

我们以CIFAR-10作为分布内（ID）数据集和一组多样化基准作为分布外（OOD）数据（涵盖近OOD和远OOD场景）评估了CAFCL的性能。该评估提供了对模型行为的关键洞察，并揭示了某些局限性，如图5所示。

我们的案例分析表明，当CAFCL过度强调熟悉物体而未能充分代表更广泛上下文多样性时，偶尔会误分类OOD样本。

结论

这项工作介绍了类感知流对比学习（CAFCL），一种用于OOD检测的先进框架。CAFCL通过两个主要创新显著增强了ID与OOD样本之间的可分离性：类感知映射模块和专用的类内损失项（L_intra）。与需要外部OOD数据或完整分类器重新训练的方法不同，CAFCL利用类信息密度估计通过低密度区域定位来识别OOD实例。