분포 외 탐지: 암묵적 이상치 변환을 통한 접근

아웃라이어 노출(Outlier Exposure, OE)은 분포 외(Out-of-Distribution, OOD) 탐지에서 매우 효과적인 기법으로, 대체 OOD 데이터를 활용한 모델 미세조정을 통해 탐지 능력을 향상시킨다. 그러나 일반적으로 사용되는 대체 데이터는 실제 테스트 시의 OOD 데이터와 차이를 보이므로, 예측할 수 없는 OOD 데이터에 직면했을 때 OE의 성능이 저하될 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 예측할 수 없는 OOD 상황에서도 우수한 성능을 발휘할 수 있도록 설계된 새로운 OE 기반 접근법을 제안한다. 이 접근법은 최악의 판단을 유도하는 OOD 데이터를 합성하고, 그 데이터를 기반으로 학습함으로써 OOD 탐지에서 균일한 성능을 달성하는 min-max 학습 프레임워크를 도입한다. 본 연구에서 최악의 OOD 데이터는 원래의 대체 데이터를 변형함으로써 합성된다. 특히, 모델의 변동이 데이터 변환을 초래한다는 본 연구의 새로운 통찰을 바탕으로, 해당 변형 함수는 암묵적으로 학습된다. 제안된 방법론은 기존의 대체 OOD 데이터 외에도 효과적인 OOD 데이터 합성을 위한 효율적인 방식을 제공하며, 이는 탐지 모델의 성능 향상에 기여한다. 다양한 OOD 탐지 설정 하에서 광범위한 실험을 수행한 결과, 본 방법이 기존의 최신 기법들에 비해 뛰어난 성능을 보임을 입증하였다.