分布外OOD检测的最新进展：问题与方法

主要观点总结

本文全面回顾了分布外检测（OOD检测）的最新进展，从问题场景的角度对训练驱动、训练无关和基于大型预训练模型的OOD检测进行了详细阐述。文章还介绍了评估指标、实验协议和多样化的应用场景，并讨论了未来的研究方向。

关键观点总结

关键观点1: 问题背景

介绍机器学习中的分布外检测（OOD检测）的重要性及其在现实场景中的应用，如医疗诊断和自动驾驶。

关键观点2: 现有研究综述

从不同角度（如方法论、任务场景）对现有OOD检测研究进行分类和回顾，包括基于分类、基于密度、基于距离和基于重建的方法。

关键观点3: 训练驱动的OOD检测

介绍训练驱动型OOD检测方法，根据训练过程中是否使用OOD数据进一步分类讨论。

关键观点4: 训练无关的OOD检测

介绍训练无关型OOD检测方法，包括事后方法和测试时自适应方法。

关键观点5: 基于大型预训练模型的OOD检测

介绍大型预训练模型在OOD检测中的应用，以及零样本、少样本和全样本OOD检测的场景。

关键观点6: 评估指标、实验协议及应用

提供OOD检测的评估指标、实验协议和多样化应用场景的概述。

关键观点7: 未来研究方向

讨论OOD检测的未来发展趋势和潜在的关键研究方向。