新论文提出秩一权重校正的可训练权重平均方法用于OOD检测
论文AI 评分 58/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇被ACCV2026 Workshop接收的论文提出在可训练权重平均（TWA）基础上引入校正方向：用奇异值分解提取权重中靠前的秩一分量，并通过分布内分类目标学习这些分量的贡献。作者指出TWA为每个检查点只分配一个系数，难以单独控制主导权重分量。在ResNet50上，该方法在评测数据集上配合MSP与RankWeight评分时优于微调和标准TWA，有无Outlier Exposure均如此；基于Mahalanobis的评测结果不一，说明收益取决于OOD评分协议。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法思路
论文从RankFeat、RankWeight等基于秩的分析出发，认为OOD检测中的过度自信与特征空间、权重空间里的主导低秩成分相关。权重平均直接在参数空间操作并能改善泛化，作者据此把它用于OOD检测。可训练权重平均（TWA）给每个检查点只配一个系数，无法分别调节各个主导权重分量。作者的做法是用奇异值分解取出权重中靠前的秩一分量，把它们当作校正方向，再借助分布内分类目标学习这些方向的作用大小。
实验结果与边界
在ResNet50上，该方法在所用评测数据集上配合MSP与RankWeight两种评分时，表现好于微调和标准TWA，无论是否使用Outlier Exposure都是如此。但换成Mahalanobis评分后结果不一致，作者据此说明收益与所选OOD评分协议有关，并非在所有评测方式下都成立。目标层分析使用MSP与Energy两种评分，结果显示把校正放在分类器附近更有利。
发表信息
该论文由Akito Shinohara与Hiroaki Aizawa完成，被ACCV2026 Workshop on Subspaces in the Era of Foundation Models接收，同时归入计算机视觉、人工智能与机器学习分类，以预印本形式公开，含PDF与HTML实验版本。
为什么值得看
关注OOD检测与权重空间方法的研究者，可看到一种把低秩分析与权重平均结合的轻量改法及其适用边界。
微调论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。