15.4 分布外检测：异常检测、新颖性检测与领域适应
机器学习模型在现实世界中的可靠部署，面临一个根本性挑战：训练数据所代表的“已知世界”与测试数据可能来自的“未知世界”之间存在差异。当模型遇到与训练分布不一致的样本时，其预测往往会变得不可靠甚至完全错误，这对自动驾驶、医疗诊断等高安全性领域构成了严重威胁。因此，识别并妥善处理这些分布外样本，成为构建稳健人工智能系统的核心任务。
本节将系统阐述分布外检测的三大核心范畴：异常检测、新颖性检测与领域适应。它们共同构成了从“发现问题”到“适应问题”的完整技术链路。我们将首先辨析其内在关联与差异，然后深入剖析各类核心方法，并结合典型应用案例，最终梳理出该领域的知识要点与未来方向。
15.4.1 核心概念辨析：异常、新颖性与分布外
异常检测、新颖性检测与分布外检测等术语常被混用，但它们在问题设定和目标任务上存在微妙而关键的区别。一个统一的广义分布外检测框架有助于厘清这些概念。
- 异常检测：旨在从数据集中识别出与大多数样本显著不同的“离群点”。这些异常点可能在训练数据中已经存在，其核心假设是异常模式稀少且与正常模式不同。根据形态，异常可分为全局离群值、上下文离群值和集体离群值。例如，在服务器监控中，一个异常的CPU使用率峰值就是全局离群值。
- 新颖性检测：假设训练数据是“纯净”的，全部由正常样本构成。其目标是在模型部署后，识别出之前从未见过的、属于新类别或新模式的样本。例如，一个仅用猫狗图片训练的分类器，需要将第一次见到的兔子图片识别为“新颖”样本。
- 分布外检测：这是一个更广义的概念，特指在深度神经网络等模型中，判断一个测试样本是否来自与训练数据不同的分布。其核心挑战在于模型常会对OOD样本做出“高置信度”的错误预测。AD和ND都可视为OOD检测在特定设定下的子任务。
为更清晰地区分，下表概括了三者的主要特征：
表：异常检测、新颖性检测与分布外检测对比
| 维度 | 异常检测 | 新颖性检测 | 分布外检测 |
|---|---|---|---|
| 训练数据假设 | 可能包含异常点 | 仅为正常/已知样本 | 来自特定分布（通常为正常样本） |
| 核心目标 | 发现数据中的罕见模式或错误 | 识别未见过的全新类别或状态 | 判断样本是否偏离训练分布 |
| 典型输出 | 异常/正常二分类标签 | 新颖/已知二分类标签 | OOD/ID二分类标签或分数 |
| 问题侧重点 | 数据清洗、故障发现 | 开放世界识别、安全预警 | 模型可靠性、预测校准 |
15.4.2 核心方法体系：从生成模型到能量模型
分布外检测方法多样，可从不同角度分类。本部分将介绍几种主流且具有代表性的技术路径。
15.4.2.1 基于重构误差的方法
该方法假设模型（如自编码器）能够良好地重构分布内数据，而难以有效重构分布外数据。通过比较原始输入与重构输出的差异（即重构误差）作为OOD分数。
一个典型的自编码器旨在学习一个编码函数EEE和解码函数DDD，最小化重构损失Lrec=∥x−D(E(x))∥2\mathcal{L}_{rec} = \|x - D(E(x))\|^2Lrec=∥x−D(E(x))∥2。对于测试样本xtestx_{test}xtest
)
