基于分布外检测的深度学习模型可靠性评估与风险预警研究综述.docVIP

基于分布外检测的深度学习模型可靠性评估与风险预警研究综述

深度学习模型在计算机视觉、自然语言处理、自动驾驶等领域的规模化落地，使得其可靠性问题成为制约产业应用的核心瓶颈。在开放环境下，模型输入往往偏离训练时的独立同分布假设，分布外（Out-of-Distribution,OOD）样本的出现会导致模型输出高置信度的错误预测，引发安全事故。分布外检测技术通过识别与训练数据分布存在差异的输入样本，为深度学习模型的可靠性评估与风险预警提供了核心技术支撑，近年来相关研究呈现爆发式增长，技术路线与应用场景逐步走向多元化。

分布外检测的核心问题与技术范式演进

分布外检测的核心目标是判断输入样本是否来自训练数据的分布区间，其技术发展经历了三代范式的迭代。早期的第一代范式以基于置信度的阈值判断为核心，代表性方法包括直接利用Softmax输出的最大置信度作为OOD判别指标，通过设定固定阈值过滤低置信度样本。这类方法实现简单、计算开销低，但存在明显的固有缺陷：深度学习模型普遍存在过度自信问题，对分布外样本也会输出接近1的高置信度，导致漏检率居高不下。为解决这一问题，研究者提出了温度缩放、置信度校准等改进方法，通过调整模型输出层的激活函数参数，使得置信度值能够更真实地反映模型预测的不确定性，但这类方法本质上仍依赖模型本身的输出特性，无法从根本上解决分布偏移下的置信度失真问题。

第二代范式聚焦于特征空间的