水平、清晰度和语料库：为什么零样本 OOD 检测器排名不转移

为新部署选择零样本分布外 (OOD) 检测器通常基于基准排名，隐含地假设排名最高的检测器将跨域转移。我们证明这个假设不成立。通过对 17 个分布内数据集、三个视觉语言模型和七个代表性零样本 OOD 检测器进行受控可移植性审核，我们发现检测器排名在不同部署中相反，每个检测器在至少一个域上超过 $80\%$ FPR95，并且首选检测器取决于分布内数据和底层 VLM。我们将这些逆转追溯到视觉语言 logits 中的补充证据通道。无语料库检测器依赖于绝对匹配级别和相对或空间清晰度的不同组合，而基于 WordNet 的方法还依赖于外部语义覆盖。一个简单的命题表明，水平和清晰度通常无法相互恢复，这解释了为什么没有单个探测器能够在部署之间可靠地传输。受此诊断的启发，我们引入了补充证据保护（CEG），这是一种与检测器无关的包装器，它仅使用经验分布百分位数通过基本检测器、水平和清晰度的非补偿性融合来保留补充证据。用熵、logits 方差或随机噪声替换这些通道的控件不会再现增益。如果没有 OOD 样本、辅助语料库或学习融合，CEG 会降低检测器灵敏度，并将 GL-MCM 从 $38.1$ 提高到 $28.8$，将 MCM 从 $42.6$ 提高到 $30.5$ 家庭平衡的 FPR95。