ConjNorm：以Bregman散度重構後設 OOD 密度評分方法

ConjNorm：以Bregman散度重塑後設 OOD 密度評分

後設（post-hoc）異常分布檢測成為可靠機器學習的重要課題。本篇工作提出一套以Bregman散度為基礎的理論框架，並由此導出名為ConjNorm的方法，重新定義密度評分為尋找對應資料的最佳範數係數 p 的優化問題。

技術面上，作者把分布考量擴展到指數族，並利用共軛性約束推導出ConjNorm形式，將原本零散的分數設計統一化。面對正規化常數難以計算的實務挑戰，研究採用基於重要性抽樣的蒙地卡羅估計，提出一個無偏且解析上可行的配分函數估計器，避免依賴不實際的分布假設。

在多組常見的OOD檢測基準實驗中，ConjNorm在多種情境下展示領先表現，並在CIFAR-100與ImageNet-1K的FPR95指標上取得顯著改善，說明以散度為本的密度設計與解析正規化估計對後設OOD檢測具有實際效益。

延伸閱讀

• Phase‑Type相位型解碼器：以馬可夫鏈修正生成模型的重尾缺陷
• 神經碼本通道與變分稽核證書：在 VAE 中檢驗編碼－解碼耦合一致性
• PrismQuant：針對高斯混合模型的率—失真最優向量量化方法

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。