不要破坏你的特征：为什么 CenterLoss 会损害 OOD 检测，而多尺度 Mahalanobis 会获胜

arXiv:2605.21493v1 公告类型：新 摘要：检测分布外 (OOD) 输入的能力是安全部署机器学习系统的基础。然而，当前的方法通常依赖于仅针对分类准确性进行优化的特征表示，而忽略了认知不确定性的独特要求。我们引入了 GOEN（几何优化认知网络），这是一个简单的管道，它结合了多尺度特征、L2 归一化、马哈拉诺比斯距离以及使用真实硬 OOD 示例进行训练的校准头。通过系统消融，我们发现了一个反直觉的发现：CenterLoss（一种流行的特征紧凑性正则化器）显着降低了 OOD 检测性能，尽管提高了分类精度，但将平均 OOD AUROC 从 0.9483 降低到 0.9366。最好的变体 GOEN-NoCenterLoss 的平均 OOD AUROC 为 0.9483，超过了 CIFAR-10 基准上的所有基线，包括深度集成 (0.8827)、KNN (0.8967) 和 ODIN (0.8870)，同时保持有竞争力的分布内精度。我们的结果挑战了普遍的假设，即更好的分类几何自动导致更好的认知不确定性。相反，我们表明过于紧密的特征簇会压缩类间边缘并扭曲有效 OOD 检测所需的协方差结构。 GOEN 非常高效，在单个 GPU 上的训练时间不到 20 分钟，并为构建能够可靠地识别自身局限性的 AI 系统提供了实用的蓝图。