초록
분포 외(Out-of-Distribution, OOD) 탐지 작업은 머신러닝 모델을 실제 환경에 적용하는 데 있어 핵심적인 과제이다. 본 논문에서는 분포 내(In-distribution, ID) 특징과 OOD 특징의 특이값 분포가 크게 다르다는 점을 관찰한다. 구체적으로 OOD 특징 행렬은 ID 특징보다 더 큰 주요 특이값을 가지며, 이 특이값이 OOD 샘플의 클래스 예측에 거의 결정적인 영향을 미친다. 이러한 관찰을 바탕으로, 고수준 특징(즉, $\mathbf{X} - \mathbf{s}{1}\mathbf{u}{1}\mathbf{v}_{1}^{T}$)에서 가장 큰 특이값과 관련된 특이 벡터로 구성된 랭크-1 행렬을 제거하는 간단하면서도 효과적인 사후(Post hoc) OOD 탐지 방법인 \texttt{RankFeat}를 제안한다. \texttt{RankFeat}는 기존 최고 성능 방법 대비 평균 오류 긍정률(FPR95)을 17.90% 감소시키며, 현재까지의 최고 성능(SOTA, state-of-the-art)을 달성하였다. 실험적 결과를 뒷받침하기 위해 광범위한 아블레이션 연구와 체계적인 이론적 분석을 제시하였다.