1. 课程导入

在自动驾驶、工业质检、医疗影像、机器人感知等安全攸关系统中，模型上线后面临的最大风险往往不是“训练集里做不对”，而是“遇到训练分布之外的输入时过度自信”。这类输入被称为分布外样本（Out-of-Distribution，OOD）。OOD检测的目标，是让模型在给出预测的同时，判断当前输入是否属于已知分布，从而触发降级、拒识、人工接管或数据回流。异常场景挖掘则更进一步：它不仅要在推理时发现异常，还要在数据闭环中主动搜索、聚类、标注并沉淀那些稀有但高风险的场景，使模型持续进化。

1.1 核心定义：从“分类正确”到“知道自己不知道”

传统监督学习假设训练集与测试集独立同分布（i.i.d.）。但真实世界存在协变量偏移、语义偏移、开放集、长尾分布和对抗扰动。OOD检测通常输出一个OOD分数，再通过阈值判定是否为异常。常见分数来源包括：最大软概率（MSP）、能量分数（Energy）、马氏距离、特征空间距离、重构误差、密度估计、集成不一致性等。

异常场景挖掘则是一个数据闭环过程：从海量未标注或弱标注数据中，利用OOD分数、不确定性、聚类、主动学习、仿真生成等手段，发现候选异常片段，再经过人工复核、场景标签化、切片入库，最终进入训练与评测集。二者关系可以概括为：OOD检测是“在线守门员”，异常场景挖掘是“离线侦察兵”。

1.2 学习目标：从概念到可交付的工程能力

本课程围绕“能定义、能实现、能评测、能落地”四个层次展开。学完后，你应当能够：

• 概念层：准确区分OOD、异常、开放集、对抗样本、长尾与漂移，理解各自在工程中的边界。
• 方法层：掌握基于输出、特征、生成、集成四类OOD检测方法的原理、适用条件与失效模式。
• 数据层：设计异常场景挖掘流水线，包括采样策略、聚类检索、主动学习、仿真生成与标注规范。
• 评测层：构建分布内/分布外测试集，正确使用AUROC、FPR95、AUPR、检测延迟等指标，避免阈值泄漏。
• 工程层：将OOD分数接入推理链路，设计拒识、降级、人工接管与数据回流机制，并建立监控告警。

1.3 方法流程：一条可复用的工程流水线

无论是自动驾驶感知、工业缺陷检测还是医疗影像筛查，OOD检测与异常场景挖掘都可以抽象为以下流程：

1. 明确安全边界：定义什么是“分布内”，什么是“不可接受风险”
2. 选择OOD分数：MSP / Energy / Mahalanobis / 重构误差 / 集成方差
3. 校准阈值：在验证集上按FPR或业务代价确定阈值
4. 在线判定：正常输出 / 拒识 / 降级 / 人工接管
5. 异常回流：保存高OOD分数片段、低置信样本、人工接管记录
6. 离线挖掘：聚类、检索、主动学习、仿真生成候选异常场景
7. 人工复核：场景标签化、风险分级、切片入库
8. 再训练与回归：加入新场景训练，验证旧能力不退化
9. 监控与迭代：跟踪OOD分数分布漂移、误报漏报与场景覆盖率

1.4 案例/场景：自动驾驶中的“未知障碍物”

假设一辆自动驾驶车辆在城市道路行驶，感知模型训练集包含车辆、行人、骑行者、交通锥等常见目标。某天路面出现一个侧翻的异形货物，其外观、姿态和纹理都不在训练分布内。此时：

• 检测模型可能给出低置信度或错误类别，但Softmax概率仍可能较高，导致“过度自信”。
• 引入Energy分数后，该样本的OOD分数显著升高，触发降级策略：降低车速、切换冗余传感器、请求远程接管。
• 同时，该片段被回流到异常场景池，经过聚类发现“异形障碍物”是一类新场景，人工标注后加入训练集。
• 下一版模型在回归测试中验证：旧场景不退化，新场景可检出，OOD分数分布更合理。

这个案例说明：OOD检测的价值不仅是“拒识”，更是把未知风险转化为已知训练数据，让系统具备持续进化能力。

1.5 常见误区与复盘

1.6 工程应用价值

OOD检测与异常场景挖掘的工程价值体现在三个层面：

1. 安全层：降低未知场景下的误判风险，为自动驾驶、医疗、工业控制提供拒识与降级能力。
2. 数据层：把海量未标注数据中的稀有异常转化为高价值训练样本，提升数据利用效率。
3. 成本层：减少人工接管与事故成本，缩短模型迭代周期，提高系统长期可靠性。

本课程后续将沿着“问题定义 → 方法原理 → 数据挖掘 → 工程落地 → 评测复盘”的主线展开，帮助你把OOD检测从论文指标变成可上线的工程能力。