Don't Collapse Your Features: Why CenterLoss Hurts OOD Detection and Multi-Scale Mahalanobis Wins

En 3 lignesGOEN (Geometry-Optimised Epistemic Network) combine features multi-échelles, normalisation L2, distance de Mahalanobis et calibration pour détecter les entrées hors-distribution. Découverte clé : CenterLoss dégrade la détection OOD (AUROC 0.9366 vs 0.9483 sans), bien qu'il améliore la précision. GOEN-NoCenterLoss atteint 0.9483 AUROC sur CIFAR-10, surpassant ensembles profonds (0.8827), KNN (0.8967) et ODIN (0.8870).

Résumé généré par Claude — vérifié par l'humain