일류 분류(One-class Classification, OCC)는 정상 샘플을 모두 포함하는 효과적인 데이터 설명을 학습하고, 데이터 설명에서의 편차를 기반으로 이상치를 탐지하는 것을 목표로 한다. 현재 최고 수준의 OCC 모델들은 초구(hyper-sphere) 최소화를 통해 정상성의 밀집된 설명을 학습하지만, 특히 학습 데이터셋이 작거나 이상 샘플로 오염된 경우 과적합(overfitting) 문제가 자주 발생한다. 이러한 문제를 해결하기 위해, 우리는 적대적 보간(adversarially interpolated) 학습 샘플을 사용하여 훈련되는 일류 가우시안 이상 탐지기(classifier)를 학습하는 새로운 OCC 모델인 보간된 가우시안 설명자(Interpolated Gaussian Descriptor, IGD)를 제안한다. 가우시안 이상 탐지기는 각 샘플이 가우시안 중심으로부터의 거리와 이 거리들의 표준편차를 기반으로 훈련 샘플을 구분함으로써, 훈련 과정에서 주어진 샘플에 대해 모델의 구분 능력(discriminability)을 제공한다. 적대적 보간 기법은 학습 데이터가 작거나 이상 샘플로 오염된 경우에도 매끄러운 가우시안 설명자를 일관되게 학습할 수 있도록 강제한다. 이를 통해 본 모델은 대표적인 정상 샘플에 기반해 데이터 설명을 학습할 수 있으며, 경계나 이상 샘플에 치우치는 것을 방지하여 정상성 설명의 품질을 크게 향상시킨다. 다양한 대표적 벤치마크(MNIST, Fashion MNIST, CIFAR10, MVTec AD, 그리고 두 개의 의료 데이터셋)에서 실시한 광범위한 실험 결과, IGD는 기존 최고 수준의 모델들보다 더 높은 이상 탐지 정확도를 달성하였다. 또한, 학습 데이터셋이 작거나 오염된 상황에서도 더 우수한 강건성(robustness)을 보였다. 코드는 https://github.com/tianyu0207/IGD 에서 공개되어 있다.