오래된 것이 골드다: 적대적으로 학습된 원클래스 분류기 훈련 패러다임의 재정의

이상 탐지에 널리 사용되는 방법 중 하나는 적대적 네트워크의 생성기(generator)를 활용하여 입력 데이터의 재구성 오차(reconstruction loss) 기반으로 이상 점수(anomaly score)를 정의하는 것이다. 그러나 이상 현상은 희귀하게 발생하므로, 이러한 네트워크를 최적화하는 것은 복잡하고 번거로운 과정이 된다. 다른 가능한 접근 방식은 생성기와 판별기(discriminator)를 모두 활용하여 이상 탐지하는 것이다. 그러나 적대적 학습(adversarial training)의 참여로 인해 이 모델은 일반적으로 불안정한 성능을 보이며, 학습 단계마다 성능이 급격히 변동하는 경향이 있다. 본 연구에서는 다양한 학습 단계에서 안정적인 결과를 효과적으로 생성할 수 있는 프레임워크를 제안하며, 적대적 모델의 생성기와 판별기를 동시에 활용하여 효율적이고 강건한 이상 탐지가 가능하도록 한다. 제안하는 방법은 판별기의 기본적인 역할을 실제 데이터와 가짜 데이터를 구분하는 것에서, 고품질 재구성과 저품질 재구성 간을 구분하는 것으로 전환한다. 이를 위해 현재의 생성기를 활용하여 고품질 재구성 예시를 준비하고, 동일한 생성기의 이전 상태를 이용하여 저품질 예시를 확보한다. 이를 통해 판별기는 이상 입력의 재구성 과정에서 자주 나타나는 미세한 왜곡을 탐지할 수 있도록 학습된다. Caltech-256 및 MNIST 이미지 데이터셋을 대상으로 수행한 새로운 패턴 탐지(novelty detection)에 대한 광범위한 실험 결과는 본 방법의 우수성을 입증한다. 또한 UCSD Ped2 영상 데이터셋을 활용한 이상 탐지 실험에서는 프레임 단위 AUC(98.1%)를 달성하여 최근의 최상위 기술들을 초월하는 성능을 보였다.