分布外（OOD）输入检测是机器学习系统安全部署的基础能力：模型不仅需要判断输入属于哪一类，还必须意识到自己是否遇到了训练分布之外的样本。然而，当前许多方法所依赖的特征表示往往只针对分类准确率进行优化，忽略了认识论不确定性（epistemic uncertainty）对特征几何提出的不同要求。arXiv 上的一篇新论文正是围绕这一矛盾展开，提出了名为 GOEN（Geometry-Optimised Epistemic Network，几何优化认识网络）的简单流程，并给出了一系列反直觉的实验结论。
GOEN 的设计并不复杂，它把多尺度特征、L2 归一化、Mahalanobis 距离以及一个用真实困难 OOD 样本训练的校准头组合在一起。多尺度特征让模型能够同时利用不同层级的语义信息，L2 归一化则让特征分布更规整，Mahalanobis 距离在规整后的空间中衡量样本与各类分布中心的偏离程度，而校准头负责把距离信号转化为更可靠的 OOD 分数。作者通过系统的消融实验，考察了各个组件以及训练正则项对最终检测效果的影响。
实验中最引人注目的发现与 CenterLoss 有关。CenterLoss 是一种被广泛使用的正则项，目的是让同类特征向类中心聚拢、增强特征紧凑性，从而改善分类表现。但论文发现，它虽然确实提升了分类准确率，却显著拖累了 OOD 检测性能：平均 OOD AUROC 从 0.9483 下降到 0.9366。也就是说，一个在分类任务上看起来更好的特征几何，反而让模型更难识别自己“不认识”的输入。
作者对此的解释是，过度紧凑的特征簇会压缩类间间隔，并扭曲有效 OOD 检测所依赖的协方差结构。Mahalanobis 距离类方法的核心在于利用类条件分布的协方差来刻画正常样本的形态，如果特征被强行挤压成紧密的球状簇，这种统计结构就会被破坏，模型对远离训练分布的样本也就不再敏感。这一结果直接挑战了“更好的分类几何会自动带来更好的认识论不确定性”这一流行假设。
在性能对比上，最佳变体 GOEN-NoCenterLoss 在 CIFAR-10 基准上取得了 0.9483 的平均 OOD AUROC，超过了包括深度集成（0.8827）、KNN（0.8967）和 ODIN（0.8870）在内的所有基线，同时保持了具有竞争力的分布内准确率。值得注意的是，这些基线中不乏计算开销更大的方法，而 GOEN 在效率上具有明显优势：整个训练过程在单块 GPU 上不到 20 分钟即可完成。
论文的实践意义在于，它给出了一个可直接复用的设计蓝图，帮助构建能够可靠识别自身局限的 AI 系统。对于需要在开放环境中部署模型的应用而言，检测“未知”往往比在已知类别上多拿一个百分点更重要。作者的结论提醒研究者和工程师，在设计特征表示时应当有意识地区分分类目标与不确定性估计目标，避免为了追求更紧凑的特征而牺牲模型对未知输入的警觉性。该论文提交于 2026 年 4 月 10 日，编号 arXiv:2605.21493，属于机器学习、人工智能与计算机视觉交叉方向。