Краткое содержание

arXiv:2511.11934v1 Тип: новая работа Аннотация: Мы представляем систематическое сравнение методов обнаружения внераспределительных (OOD) данных в стратифицированных режимах CLIP, используя в качестве основных метрик AURC и AUGRC. Эксперименты охватывают две парадигмы представления: сверточные нейронные сети (CNN), обученные с нуля, и дообученную архитектуру Vision Transformer (ViT), оцененные на наборах данных CIFAR-10/100, SuperCIFAR-100 и TinyImageNet. Используя контролируемый множественными сравнениями ранговый конвейер (критерий Фридмана с последующим пост-хок тестом Коновера-Холма) и клики Брона-Кербоша, мы обнаружили, что эффективность OOD в значительной степени определяется пространством признаков, полученным в ходе обучения. Как для CNN, так и для ViT, вероятностные оценки (например, MSR, GEN) доминируют в обнаружении ошибок классификации (ID). При более сильных сдвигах геометрически ориентированные оценки (например, NNGuide, fDBD, CTM) преобладают на CNN, тогда как на ViT методы GradNorm и ошибка реконструкции KPCA остаются стабильно конкурентоспособными. Мы также демонстрируем зависящий от количества классов компромисс для метода Monte-Carlo Dropout (MCD) и то, что простая проекция PCA улучшает работу нескольких детекторов.