DAVIS: 主要アクティベーションと分散を介した OOD 検出における分離性の向上

arXiv:2601.22703v2 発表 タイプ：置換 要約：分布外（OOD）入力検出は、機械学習モデルを実世界に展開するための重要な保護手段です。しかし、多くの事後検出手法は、グローバル平均プーリング（GAP）から導き出される最終層前の機能表現に基づいています。GAP は、アクティベーションマップから分布統計量を失くすという損失のある操作であり、重要な統計量が無視されています。我々は、これらの統計量、特にチャンネルごとの分散と主要（最大）アクティベーションは OOD 検出において非常に区別力が高いと主張します。我々は、これらの重要な統計量を組み込むことで特徴ベクトルを富ませる、単純かつ広範に適用可能な事後手法 DAVIS を提案し、GAP からの情報損失を直接的に対処します。大規模な評価により、DAVIS は ResNet、DenseNet、EfficientNet など多様なアーキテクチャにおいて新しい基準を設けました。誤陽性率（FPR95）を大幅に減少させ、CIFAR-10（ResNet-18）で 48.26%、CIFAR-100（ResNet-34）で 38.13%、ImageNet-1k（MobileNet-v2）で 26.83% の改善を達成しました。我々の解析は、この改善の背後にあるメカニズムを明らかにし、OO D 検出における平均値の超克に原理的な基盤を提供しました。

arXiv:2601.22703v2 Announce Type: replace Abstract: Detecting out-of-distribution (OOD) inputs is a critical safeguard for deploying machine learning models in the real world. However, most post-hoc detection methods operate on penultimate feature representations derived from global average pooling (GAP) -- a lossy operation that discards valuable distributional statistics from activation maps prior to global average pooling. We contend that these overlooked statistics, particularly channel-wise variance and dominant (maximum) activations, are highly discriminative for OOD detection. We introduce DAVIS, a simple and broadly applicable post-hoc technique that enriches feature vectors by incorporating these crucial statistics, directly addressing the information loss from GAP. Extensive evaluations show DAVIS sets a new benchmark across diverse architectures, including ResNet, DenseNet, and EfficientNet. It achieves significant reductions in the false positive rate (FPR95), with improvements of 48.26\% on CIFAR-10 using ResNet-18, 38.13\% on CIFAR-100 using ResNet-34, and 26.83\% on ImageNet-1k benchmarks using MobileNet-v2. Our analysis reveals the underlying mechanism for this improvement, providing a principled basis for moving beyond the mean in OOD detection.