OpenLDN: 개방형 세계 반감독 학습을 위한 새로운 클래스 발견 학습

반감독 학습(Semi-supervised Learning, SSL)은 지도 학습의 주석 부족 문제를 해결하기 위한 주요 접근 방식 중 하나입니다. 최근의 SSL 방법들은 대규모 비라벨 데이터 저장소를 효과적으로 활용하여 성능을 향상시키면서 소량의 라벨 데이터에 의존하는 능력을 보여주었습니다. 대부분의 SSL 방법에서 일반적으로 가정되는 것은 라벨된 데이터와 비라벨된 데이터가 동일한 데이터 분포에서 나왔다는 것입니다. 그러나 이는 많은 실제 시나리오에서 거의 성립하지 않아, 그들의 적용 범위를 제한합니다. 본 연구에서는 이러한 가정을 하지 않는 도전적인 오픈 월드 SSL 문제를 해결하기 위해 노력하였습니다. 오픈 월드 SSL 문제에서는 알려진 클래스의 샘플을 인식하고, 동시에 비라벨 데이터에 존재하는 새로운 클래스에 속하는 샘플을 검출하고 클러스터링하는 것이 목표입니다. 본 연구에서는 쌍별 유사성 손실(pairwise similarity loss)을 활용하여 새로운 클래스를 발견하는 OpenLDN을 소개합니다. 이 쌍별 유사성 손실은 이중 최적화 규칙(bi-level optimization rule)을 사용하여 라벨된 집합에서 제공되는 정보를 활용해 새로운 클래스 샘플을 암시적으로 클러스터링하면서 동시에 알려진 클래스의 샘플을 인식합니다. 새로운 클래스를 발견한 후, OpenLDN은 오픈 월드 SSL 문제를 표준 SSL 문제로 변환하여 기존의 SSL 방법들을 사용하여 추가적인 성능 향상을 달성합니다. 우리의 광범위한 실험 결과는 OpenLDN이 여러 인기 있는 분류 벤치마크에서 현재 최신 방법들보다 우수하며, 더 나은 정확도/학습 시간 균형을 제공함을 입증하였습니다.