OOD检测（Out-of-Distribution Detection）是机器学习领域中用于识别模型输入数据是否偏离训练分布范围的关键技术。随着AI模型在实际应用中日益普及，OOD检测变得尤为重要，它能够帮助系统识别异常输入，避免模型对未知数据做出不可靠的预测。
OOD检测近期进展
2024年8月的一项研究显示，PC采样器与SGLD在CIFAR-10数据集上的OOD检测性能实际无显著差异，挑战了传统认知中对这两种采样方法性能差异的假设。JEM复现研究：PC采样器与SGLD在CIFAR-10上实际无差异
2024年7月，研究人员提出TOOD方法，这是一种面向持续学习器的任务感知分布外分数校准方法，有效提升了模型在持续学习场景下的OOD检测能力。TOOD：面向持续学习器的任务感知分布外分数校准方法
同期发布的CARE研究通过自适应专家路由技术，不仅提升了MoE-LoRA的效率，还显著增强了模型的OOD检测性能，为大规模模型提供了新的优化思路。CARE：自适应专家路由提升MoE-LoRA效率与OOD检测
2024年6月的研究表明，通过敏感性塑造技术可以提升潜在模型的分布外检测能力，为提高模型鲁棒性提供了新视角。敏感性塑造提升潜在模型分布外检测
当前焦点与观察点
当前OOD检测研究呈现出多方向并行发展的态势，从采样方法比较、分数校准到专家路由优化，研究者们正从不同角度探索提升模型鲁棒性的可能性。值得注意的是，持续学习场景下的OOD检测成为新兴热点，TOOD等专门针对这一场景的方法不断涌现。同时，随着多模态模型的发展，如何有效提升VLM等复杂模型的OOD检测能力也成为研究重点。未来，随着AI应用场景的扩展，OOD检测技术将在自动驾驶、医疗诊断等高风险领域发挥更加关键的作用。