초록
실제 환경에서 머신러닝 모델을 안전하게 배포하기 위한 핵심 과제 중 하나는 분포 외(out-of-distribution, OOD) 입력을 탐지하는 것이다. 기존의 해결책들은 주로 작은 크기의 데이터셋, 낮은 해상도, 그리고 매우 적은 클래스 레이블(예: CIFAR)에 기반하여 개발되어 왔다. 그 결과, 대규모 이미지 분류 작업에 대한 OOD 탐지는 여전히 거의 탐색되지 않은 영역에 머물러 있다. 본 논문에서는 이를 극복하기 위해, 그룹 기반 OOD 탐지 프레임워크와 새로운 OOD 점수 산정 함수인 MOS(Multi-Group OOD Scoring)를 제안한다. 우리의 핵심 아이디어는 큰 의미 공간을 유사한 개념을 가진 더 작은 그룹들로 분해함으로써, 내부 분포(in-distribution)와 외부 분포 간의 결정 경계를 단순화함으로써 효과적인 OOD 탐지가 가능하도록 하는 것이다. 이 방법은 기존의 접근법에 비해 고차원 클래스 공간에서 훨씬 더 우수한 스케일링 성능을 보인다. 우리는 ImageNet에서 학습된 모델을 네 가지 철저히 구성된 OOD 데이터셋에 대해 평가하였으며, 이들 데이터셋은 다양한 의미적 범위를 포함한다. MOS는 기존 최고 성능 기법에 비해 평균 FPR95를 14.33% 감소시키면서도 추론 속도를 6배 가속화하는 최신 기준 성능을 달성하였다.