아웃라이어 노출 드러내기: 소수, 하나, 또는 아예 없는 아웃라이어 이미지로부터 무엇을 배울 수 있는가

정상 데이터와는 완전히 다른 모습을 가진 모든 것을 특성화하는 데 있어 극도로 복잡한 문제로 인해, 이상 탐지(Anomaly Detection, AD)는 전통적으로 정상 샘플만을 이용하는 비지도 학습 문제로 간주되어 왔다. 그러나 최근 연구에서, 무작위 이미지의 방대한 코퍼스를 이용하여 이상 상태(Anomalousness)를 표현함으로써 비지도 이미지 AD 성능을 극적으로 향상시킬 수 있음이 발견되었다. 이 기법은 '외부 샘플 노출(Outlier Exposure)'이라 불린다. 본 논문에서는 최신 기술 수준의 성능을 달성하기 위해 특화된 AD 학습 방법이 실제로는 필요하지 않으며, 오히려 아주 소량의 Outlier Exposure 데이터만으로도 강력한 성능을 달성할 수 있음을 보여준다. 이는 AD 분야에서 일반적으로 받아들여져 온 가정과 정면으로 대립된다. 실험 결과, 정상 샘플과 비교적 적은 수의 무작위 자연 이미지를 구분하도록 학습시킨 표준 분류기 및 반지도 학습 일종 분류기(one-class method)가 ImageNet 기반의 기존 AD 벤치마크에서 현재 최고 성능을 능가하는 결과를 보였다. 추가 실험을 통해, 단 하나의 적절히 선택된 이상 샘플만으로도 이 벤치마크에서 우수한 성능(79.3% AUC)을 달성할 수 있음을 확인하였다. 본 현상을 조사한 결과, 일종 분류기(one-class methods)가 학습용 이상 샘플의 선택에 더 강건함을 발견하였으며, 이는 특정 상황에서는 표준 분류기보다 여전히 더 유용할 수 있음을 시사한다. 또한 본 연구 결과가 성립하는 상황을 명확히 구분하는 실험도 포함하였다. 마지막으로, 최근 등장한 기초 모델인 CLIP이 학습한 표현을 활용할 경우, 어떤 학습 샘플도 필요 없이 Zero-shot 설정에서 CIFAR-10 및 ImageNet에서 최신 기술 수준의 이상 탐지 성능을 달성할 수 있음을 확인하였다.