메트릭 학습과 적응적 경계를 이용한 외부 영역 감지

대화형 에이전트는 일반적으로 폐쇄 세계 환경을 위해 설계됩니다. 그러나 사용자는 예상치 못한 행동을 할 수 있습니다. 개방 세계 환경에서 우리는 종종 학습 데이터와 테스트 데이터가 서로 다른 분포에서 샘플링되는 상황을 마주하게 됩니다. 이렇게 서로 다른 분포에서 온 데이터를 외부 영역(Out-of-Domain, OOD) 데이터라고 합니다. 견고한 대화형 에이전트는 이러한 OOD 발화에 적절히 반응해야 합니다. 따라서 견고한 OOD 검출의 중요성이 강조됩니다. 그러나 OOD 데이터 수집은 어려운 작업입니다. 우리는 OOD 데이터에 의존하지 않는 알고리즘을 설계하여 공개된 데이터셋에서 현재 가장 앞선 다양한 알고리즘들을 능가하는 성능을 보였습니다. 우리의 알고리즘은 메트릭 학습과 적응적 결정 경계를 결합하는 간단하면서도 효율적인 접근 방식을 기반으로 합니다. 또한 다른 알고리즘들과 비교해보면, 제안된 알고리즘이 클래스 수가 적은 시나리오에서 OOD 성능이 크게 향상되었으며, 내부 영역(In-Domain, IND) 클래스의 정확성을 유지하는 것으로 나타났�습니다.