CSI: 분포가 이동된 인스턴스 위에서의 대조 학습을 통한 신규성 탐지

신규성 탐지(노벨티 디텍션, novelty detection)는 주어진 샘플이 훈련 데이터 분포 외부에서 추출되었는지 여부를 식별하는 것으로, 신뢰할 수 있는 머신러닝을 위한 핵심 과제이다. 이를 위해 기존에는 신규성 탐지에 적합한 표현을 학습하고, 이러한 표현 기반으로 점수를 설계하는 다양한 시도가 이루어져 왔다. 본 논문에서는 최근 시각 표현의 대조 학습(constrastive learning)에서의 성공을 영감으로 삼아, 간단하면서도 효과적인 방법인 대조적 이동 샘플(Contrasting Shifted Instances, CSI)을 제안한다. 구체적으로, 기존의 대조 학습 방법이 주어진 샘플을 다른 샘플들과 대조하는 방식을 따르는 것과 달리, 본 연구의 훈련 방식은 샘플을 자신의 분포 이동된 증강된 버전과도 대조한다. 이러한 접근을 바탕으로 제안된 훈련 방식에 특화된 새로운 탐지 점수를 제안한다. 실험 결과, 다양한 이미지 기준 데이터셋을 활용한 다양한 신규성 탐지 시나리오—비라벨링 일클래스, 비라벨링 다클래스, 라벨링 다클래스 설정—에서 본 방법이 우수한 성능을 보임을 입증하였다. 코드 및 사전 학습 모델은 https://github.com/alinlab/CSI 에서 제공된다.