분류 대조 학습을 통한 분포 외 탐지 성능 향상

분포 외 입력(out-of-distribution, OOD)의 신뢰성 있는 탐지는 머신러닝 시스템의 실제 적용을 위한 필수 조건으로 점점 더 인식되고 있다. 본 논문은 OOD 탐지 성능을 향상시키기 위해 대조적 학습(contrastive training)을 제안하고 탐구한다. 기존의 주요 OOD 탐지 방법들과 달리, 본 연구 방법은 명시적으로 OOD로 레이블링된 예시에 접근할 필요가 없으며, 이는 실무적으로 수집하기 어려운 문제임에도 불구하고 장점이다. 광범위한 실험을 통해 대조적 학습이 여러 일반적인 벤치마크에서 OOD 탐지 성능을 크게 향상시킴을 입증하였다. 특히, 내부 데이터와 외부 데이터 간의 유사도를 측정하여 OOD 탐지 과제의 어려움을 정량화하는 '혼동 로그 확률(Confusion Log Probability, CLP)' 점수를 도입하고 활용함으로써, 기존 방법들이 특히 어려움을 겪는 '근접 OOD(near OOD)' 클래스에서 본 방법이 성능 향상이 특히 두드러짐을 보였다.