并非所有层都相同：用于可靠 CLIP OOD 检测的动态层路由

揭示跨模型层的信息聚合以改进 OOD 检测。与最近工作中制定分层信息聚合方法相反，我们研究层选择是否是一个可学习的问题。换句话说，我们将问题从如何融合层转变为询问输入信任哪些层。使用可概括的、弱的、分布上下文之外的监督方法，该方法被证明比最先进的方法机制更有效，我们制定了学习一个轻量级路由器来选择一个稀疏的、最终层锚定的专家在 CLIP 的层深度上进行 OOD 检测。在三个不同的基准测试中，我们展示了称为 Voyager 的可学习路由方法，改进了 OOD 检测。在 ImageNet-1K 上，Voyager 的平均 FPR@95 为 18.86，比最强的、可比较的即时学习方法高出 8.8 分。这些收益在多个监督源中持续存在，包括现有最先进的即时学习方法所使用的监督源，这表明，虽然我们的弱 OOD 监督上下文非常有效，但关键优势是通过可学习路由器组件而不是监督源实现的。值得注意的是，Voyager 非常实用；使用不到 1 GB 的内存，路由器学习大约需要两分钟，这使得其效率比当前的提示学习方法大约高 20 倍。匿名代码：https://anonymous.4open.science/r/Voyager/