강건한 학습을 활용한 비지도 이미지 클러스터링 개선

비지도 이미지 클러스터링 방법은 종종 대체 목적을 도입하여 간접적으로 모델을 훈련시키지만, 잘못된 예측과 과신 결과에 노출되기 쉽다. 이러한 문제를 해결하기 위해, 본 연구에서는 강건 학습에서 영감을 받은 혁신적인 모델인 RUC를 제안한다. RUC의 독창성은 기존 이미지 클러스터링 모델의 의사라벨(pseudo-labels)을 오분류된 샘플이 포함될 수 있는 노이즈 데이터셋으로 활용하는 데 있다. 재훈련 과정을 통해 이 모델은 잘못 정렬된 지식을 수정하고 예측에서의 과신 문제를 완화할 수 있다. 또한, 이 모델의 유연한 구조는 다른 클러스터링 방법에 부가 모듈로 사용될 수 있으며, 여러 데이터셋에서 더 나은 성능을 달성하는 데 도움을 준다. 광범위한 실험 결과는 제안된 모델이 더 나은 교정(calibration)으로 모델 신뢰도를 조절하고 적대적 노이즈(adversarial noise)에 대한 추가적인 강건성을 획득할 수 있음을 보여준다.