초록
분포 외(out-of-distribution, OOD) 탐지는 머신러닝 모델을 실제 환경에 안전하게 도입하기 위해 필수적인 과제이다. 주요 과제 중 하나는 모델이 알 수 없는 데이터에 대해 감독 신호를 갖지 못한다는 점이며, 이로 인해 OOD 데이터에 대해 과도하게 자신감 있는 예측을 내릴 수 있다. 최근의 이상치 합성 연구들은 특징 공간을 파라메트릭한 가우시안 분포로 모델링하는 접근을 채택하였으나, 이는 현실에서 성립하지 않을 수 있는 강력하고 제약적인 가정이다. 본 논문에서는 ID(내부 분포) 데이터와 OOD 데이터 사이의 신뢰할 수 있는 결정 경계를 학습할 수 있도록 인공적인 OOD 학습 데이터를 생성하는 새로운 프레임워크인 비파라메트릭 이상치 합성(Non-Parametric Outlier Synthesis, NPOS)을 제안한다. 특히, 본 연구에서 제안하는 합성 방법은 ID 임베딩에 대한 분포 가정을 전혀 하지 않아 높은 유연성과 일반화 능력을 제공한다. 우리는 본 합성 방법이 수학적으로 거부 샘플링(rejection sampling) 프레임워크로 해석될 수 있음을 보여준다. 광범위한 실험 결과를 통해 NPOS가 경쟁 기법들에 비해 뚜렷한 성능 우위를 보임을 확인하였으며, 우수한 OOD 탐지 성능을 달성함을 입증하였다. 코드는 공개적으로 https://github.com/deeplearning-wisc/npos 에서 제공된다.