초록
분포 외 샘플(Out-of-Distribution, OOD) 탐지는 자율 시스템 및 헬스케어와 같은 오픈 월드 및 안전성이 중요한 응용 분야에서 핵심적인 역할을 한다. 최근, 대조적 학습(contrastive learning)과 사전 과제 학습(pretext learning)을 통한 자기지도 표현 학습 기법이 OOD 탐지 성능을 향상시키는 데 효과적임이 입증되었다. 그러나 이러한 접근 방식의 주요한 문제점은 변형(transformations)과 사전 과제(task)의 선택이 도메인 내 분포(in-domain distribution)에 의존한다는 점이다. 본 논문에서는 훈련 데이터에 대해 다수의 변형된 표현을 학습하기 위해 변형 학습 설정(shifting transformation learning setting)을 활용하는 간단한 프레임워크를 제안한다. 최적의 변형 변환과 사전 과제를 선택하는 문제를 해결하기 위해, OOD 훈련 샘플이 필요 없이 변형을 자동으로 선택하고 표현 학습에 미치는 영향을 조절하는 간단한 메커니즘을 제안한다. 광범위한 실험을 통해 제안하는 간단한 프레임워크가 여러 이미지 데이터셋에서 최첨단 OOD 탐지 모델을 능가함을 보였다. 또한 실제 응용을 위한 바람직한 OOD 탐지기의 기준을 분석하고, 기존 최첨단 기법들과 비교하여 제안 기법의 효과성을 입증하였다.