近日，实验室2021级博士生何润东和2022级硕士生袁月作为共同第一作者完成的一篇论文“Exploring Channel-Aware Typical Features for Out-of-Distribution Detection”（作者：何润东，袁月，韩忠义，王帆，苏皖，尹义龙，刘同亮，宫永顺）被国际人工智能顶尖会议AAAI 2024录用，AAAI是中国计算机学会（CCF）推荐的人工智能领域A类会议。

分布外检测(Out-of-Distribution Detection)旨在解决开放环境中出现新类的问题。先前的测试时OOD检测方法大多侧重于设计OOD分数，而我们从典型性的角度提高OOD检测性能，将特征的高概率区域视为特征的典型集。然而，现有的基于典型特征的OOD检测方法蕴含一个假设：每个通道的典型特征集的比例是固定的。根据我们的实验分析，每个通道对OOD检测的贡献是不同的。对所有通道采用固定比例导致一些通道失去太多典型特征或包含太多异常特征，导致性能较差。因此，探索通道感知的典型特征对于更好地区分ID和OOD数据至关重要。在这一理念的驱动下，我们提出了通道感知的典型特征（LAPS）。首先，LAPS通过使用均值和标准差从全局典型集来校准通道级典型集，获得通道感知的典型集。然后，LAPS将特征校正为通道感知的典型集，得到通道感知的典型特征。最后，LAPS利用通道感知的典型特征计算OOD检测的能量分数。大量的实验证明，LAPS显著超过了基线方法，并且在多个神经网络和OOD得分上具有很好的泛化能力。