분포 외 탐지 성능 향상을 위한 일반 특성 활용

분포 외(OOD, Out-of-distribution) 탐지는 실제 환경에서 심층 신경망의 신뢰성과 안정성을 보장하기 위한 핵심 과제이다. 기존의 대부분의 OOD 탐지 방법은 OOD 점수를 설계하거나 다양한 이상치 예시를 도입하여 모델을 재학습하는 데 초점을 맞추는 반면, 본 연구는 전형성(ordinariness) 관점에서 OOD 탐지의 장애 요인을 탐구한다. 구체적으로, 심층 모델의 특징이 높은 확률 영역(high-probability region)을 전형 집합(typical set)으로 간주하며, 특징을 이 전형 집합으로 보정하고, 보정된 전형 특징을 기반으로 OOD 점수를 계산함으로써 신뢰할 수 있는 불확실성 추정을 실현한다. 특징 보정은 다양한 OOD 점수와 호환되는 {플러그 앤 플레이(plug-and-play)} 모듈로 구현될 수 있다. 제안한 방법의 우수성은 일반적으로 사용되는 벤치마크(CIFAR)와 더 도전적인 고해상도 벤치마크(대규모 레이블 공간을 갖는 ImageNet)에서 평가되었으며, 특히 ImageNet 벤치마크에서 평균 FPR95 기준으로 최신 기술 대비 최대 5.11%의 성능 향상을 달성하였다.