Eloss in the way: 지능형 주행을 위한 민감한 입력 품질 지표

교통 환경의 복잡성이 점점 증가함에 따라 지능형 주행에서 안전 인지의 중요성이 더욱 부각되고 있다. 기존의 지능형 주행 시스템에서 강건한 인지 기술은 이상 데이터를 활용해 모델을 학습시키는 방식에 초점을 두며, 딥 신경망이 이상 상황을 어떻게 처리할지 스스로 결정하도록 한다. 그러나 이러한 모델은 실제 세계의 다양하고 복잡한 환경에 원활하게 적응하지 못하는 한계가 있다. 본 논문에서는 새로운 유형의 지표인 Eloss를 제안하고, 이상 탐지 관점에서 인지 모델의 능력을 강화하기 위한 새로운 학습 전략을 제시한다. Eloss는 인지 모델의 정보 압축 층에 대한 설명에 기반하여 설계되었다. 구체적으로 통신 시스템 설계에서 영감을 받아, 정보 압축 네트워크의 정보 전송 과정에는 두 가지 기대가 존재한다: 정보량이 일정하게 유지되며, 정보 엔트로피는 지속적으로 감소해야 한다. 이러한 기대에 따라 Eloss를 도출할 수 있으며, 이는 관련 네트워크 파라미터의 업데이트를 안내하면서도, 모델 성능을 유지하면서 이상을 민감하게 탐지할 수 있는 지표를 제공한다. 실험 결과, 이상 데이터가 입력될 경우 Eloss가 기준값에서 100배 이상 벗어나며, 유사하지만 서로 다른 종류의 이상에 대해 구별 가능한 값을 생성함을 확인하였다. 이는 제안된 방법의 효과성을 입증한다. 본 연구의 코드는 논문 수락 후 공개될 예정이다.