Kollabieren Sie nicht Ihre Features: Warum CenterLoss die OOD-Erkennung schadet und Multi-Scale Mahalanobis gewinnt

Die Fähigkeit, Out-of-Distribution (OOD) Eingaben zu erkennen, ist grundlegend für die sichere Bereitstellung von Machine-Learning-Systemen. Doch aktuelle Methoden basieren oft auf Feature-Repräsentationen, die ausschliesslich für Klassifikationsgenauigkeit optimiert sind und die Unterscheidung vernachlässigen.