딥 원클래스 분류를 위한 표현 학습 및 평가

우리는 깊이 있는 일종 분류(One-class Classification)를 위한 이단계 프레임워크를 제안한다. 먼저, 일종 데이터로부터 자기지도 학습(self-supervised) 표현을 학습하고, 그 다음에 학습된 표현 위에 일종 분류기(one-class classifier)를 구축한다. 이 프레임워크는 보다 우수한 표현을 학습할 수 있게 하며, 동시에 목표 작업에 충실한 일종 분류기를 구축할 수 있도록 한다. 우리는 생성적 또는 판별적 모델의 통계적 관점에서 영감을 받은 분류기가 기존의 접근법(예: 대체 분류기로부터 도출한 정상성 점수)보다 더 효과적이라고 주장한다. 제안된 프레임워크 하에서 일종 분류를 위해 다양한 자기지도 표현 학습 알고리즘을 철저히 평가하였다. 또한, 데이터 증강을 통해 학습 분포를 확장함으로써 대비 표현(constrastive representations)의 균일성을 방해하는 새로운 분포 증강 대비 학습(distribution-augmented contrastive learning)을 제안한다. 실험을 통해 시각 영역의 일종 분류 벤치마크, 특히 새로운 패턴 탐지와 이상 탐지에서 최신 기술 수준의 성능을 입증하였다. 마지막으로, 시각적 설명을 제시하여 깊이 있는 일종 분류기의 의사결정 과정이 인간에게 직관적으로 이해 가능함을 확인하였다. 코드는 https://github.com/google-research/deep_representation_one_class 에서 공개되어 있다.