초록
심층 신경망은 종종 미지의 클래스에서 유래한 샘플에 대해 높은 신뢰도를 예측하는 경우가 있으며, 이러한 경우는 전문가 평가를 받아야 할 상황이지만, 현재의 새로운도 탐지(algorithm)는 이러한 근접 OOD(Out-of-Distribution) 포인트를 신뢰성 있게 식별할 수 없다. 이는 해당 새로운 샘플과 유사한 레이블링된 데이터에 접근할 수 있을 때에만 가능하다. 본 논문에서는 레이블링되지 않은 ID(내부 분포) 샘플과 새로운 클래스 샘플의 혼합을 효과적으로 활용하여 우수한 탐지 성능을 달성하는 반감독형 새로운도 탐지(Semi-Supervised Novelty Detection, SSND)를 위한 새로운 앙상블 기반 절차를 개발한다. 특히, 조기 중단 정규화(early stopping regularization)를 활용하여 오직 OOD 데이터에서만 불일치(disagreement)를 유도하는 방법을 제시한다. 단순한 데이터 분포에 대해 이 사실을 수학적으로 증명하였지만, 광범위한 실험 결과를 통해 더 복잡한 시나리오에서도 해당 성질이 성립함을 시사한다. 제안하는 방법은 표준 이미지 데이터셋(SVHN/CIFAR-10/CIFAR-100)과 의료 영상 데이터셋에서 최신 기술 대비 유의미한 성능 향상을 보이며, 계산 비용의 거의 증가 없이도 뛰어난 성능을 달성한다.