分布外（OOD）入力の検出は、機械学習システムを安全に運用するための基盤的な能力である。モデルは入力がどのクラスに属するかを判断するだけでなく、その入力が訓練分布の外から来たものかどうかを認識できなければならない。しかし現在の手法の多くは、分類精度だけを目的に最適化された特徴表現に依存しており、認識論的不確実性（epistemic uncertainty）が特徴の幾何構造に課す異なる要件を軽視している。arXivに投稿された新論文は、まさにこの矛盾に焦点を当て、GOEN（Geometry-Optimised Epistemic Network）と呼ぶシンプルなパイプラインを提案し、直感に反する実験結果を報告している。
GOENの構成は複雑ではない。マルチスケール特徴、L2正規化、Mahalanobis距離、そして実際の難しいOODサンプルで学習したキャリブレーションヘッドを組み合わせる。マルチスケール特徴により、モデルは異なる階層の意味情報を同時に活用できる。L2正規化は特徴分布を整え、Mahalanobis距離はその整えられた空間でサンプルが各クラス分布の中心からどれだけ離れているかを測る。キャリブレーションヘッドは距離の信号をより信頼できるOODスコアへ変換する役割を担う。著者は系統的なアブレーション実験を通じて、各構成要素と学習時の正則化項が最終的な検出性能に与える影響を調べた。
実験で最も注目すべき発見はCenterLossに関するものである。CenterLossは、同じクラスの特徴をクラス中心へ引き寄せて特徴のコンパクト性を高め、分類性能を改善するために広く使われている正則化項だ。しかし論文によれば、CenterLossは確かに分類精度を向上させる一方で、OOD検出性能を著しく損なう。平均OOD AUROCは0.9483から0.9366へと低下する。つまり、分類タスクの観点では優れた特徴幾何が、モデルが「知らない」入力を識別する能力をかえって弱めてしまうのである。
著者はこの現象を、過度に緊密な特徴クラスタがクラス間マージンを圧縮し、効果的なOOD検出に必要な共分散構造を歪めるためだと説明する。Mahalanobis距離に基づく手法の核心は、クラス条件付き分布の共分散を用いて正常サンプルの形を捉えることにある。特徴が無理に球状の密集クラスタへ押し込められると、この統計構造が壊れ、訓練分布から遠く離れたサンプルに対する感度が失われる。この結果は、「より良い分類幾何が自動的により良い認識論的不確実性をもたらす」という一般的な仮定に直接異を唱えるものだ。
性能比較では、最良の変種であるGOEN-NoCenterLossがCIFAR-10ベンチマークで平均OOD AUROC 0.9483を記録し、ディープアンサンブル（0.8827）、KNN（0.8967）、ODIN（0.8870）を含むすべてのベースラインを上回った。しかも分布内精度も競争力のある水準を維持している。これらのベースラインには計算コストの大きい手法も含まれるが、GOENは効率面で明確な優位性を持つ。学習は単一GPUで20分未満で完了する。
この論文の実践的な意義は、自らの限界を確実に認識できるAIシステムを構築するための再利用可能な設計指針を示した点にある。未知の入力を検出することは、既知クラスでの精度を1ポイント上げることよりも重要である場合が多い。著者の結論は、特徴表現を設計する際に分類目標と不確実性推定目標を意識的に区別し、よりコンパクトな特徴を追求するあまり未知入力への警戒心を犠牲にしないよう、研究者やエンジニアに注意を促している。論文は2026年4月10日に投稿され、番号はarXiv:2605.21493で、機械学習・人工知能・コンピュータビジョンの交叉領域に位置づけられている。