초록
분포 외 검출은 표준에서 벗어난 새로운 샘플을 식별하는 것을 목표로 합니다. 특히 정상 데이터 분포가 여러 개의 의미 클래스(예: 여러 객체 카테고리)로 구성되는 경우 이 작업은 매우 어려운 것으로 알려져 있습니다. 이러한 도전을 극복하기 위해 현재 접근 방식에서는 훈련 중 제공된 정상 이미지에 대한 수동 라벨링이 필요합니다. 본 연구에서는 클래스 라벨 없이 다중 클래스 신규성 검출 문제를 해결하고자 합니다. 우리의 간단하지만 효과적인 솔루션은 두 단계로 구성됩니다: 먼저 비지도 클러스터링을 사용하여 "가짜 클래스" 라벨을 발견합니다. 그런 다음 이러한 가짜 클래스 라벨을 사용하여 표준 지도 학습 기반 분포 외 검출 방법을 적용할 수 있습니다. 우리는 최신 연구와 유리한 비교를 통해 우리 방법의 성능을 확인하였으며, 광범위한 분석과 아블레이션 연구를 제공하였습니다.