别让特征坍缩：CenterLoss 如何损害 OOD 检测，多尺度马氏距离为何胜出
核心发现：特征紧凑不等于不确定性感知好
近日，一篇题为《Don't Collapse Your Features: Why CenterLoss Hurts OOD Detection and Multi-Scale Mahalanobis Wins》的论文引发关注。该研究揭示了一个反直觉的现象：CenterLoss——一种常用于提升分类准确率的特征紧凑正则化方法——会显著损害模型对分布外（OOD）输入的检测能力。
GOEN 方法：几何优化的不确定性网络
研究者提出了 GOEN（Geometry-Optimised Epistemic Network），一个简洁的流水线，融合了多尺度特征提取、L2 归一化、马氏距离（Mahalanobis distance）以及一个用真实困难 OOD 样本训练的校准头。该方法旨在直接优化特征几何结构，使其更适合不确定性估计。
关键实验与对比
在 CIFAR-10 基准测试上，GOEN 的最佳变体 GOEN-NoCenterLoss 取得了 平均 OOD AUROC 0.9483，全面超越了深度集成（0.8827）、KNN（0.8967）和 ODIN（0.8870）等基线方法，同时保持了有竞争力的分布内（ID）准确率。
而引入 CenterLoss 后，尽管分类准确率略有提升，但 OOD AUROC 从 0.9483 下降至 0.9366，验证了其负面作用。
为何 CenterLoss 有害？
论文指出，CenterLoss 强制拉近同类特征，导致特征簇过度紧凑。这种坍缩会压缩类别间的边际，并扭曲协方差结构——而协方差矩阵正是马氏距离计算中衡量特征相关性的关键。过度紧凑的特征空间使得 OOD 样本与 ID 样本难以区分，因为所有特征都挤在了一起。
行业启示与效率优势
这一发现挑战了“更好的分类几何必然带来更好的认知不确定性”的普遍假设。对于 AI 安全部署而言，OOD 检测能力与分类准确率之间存在根本性的权衡。GOEN 的训练十分高效，单 GPU 上不到 20 分钟即可完成，为构建能可靠识别自身局限的 AI 系统提供了实用蓝图。
小结
GOEN 通过放弃 CenterLoss 并采用多尺度马氏距离，实现了当前最优的 OOD 检测性能。这项研究提醒我们：在追求分类精度的同时，不应忽视特征空间的全局几何，否则可能“赢了分类，输了安全”。
