초록
오픈월드 환경에서 배포되는 머신러닝 모델의 경우, 분포 외(out-of-distribution, OOD) 샘플을 탐지하는 것은 매우 중요하다. 분류기 기반 점수는 세밀한 탐지 능력 덕분에 OOD 탐지에 널리 사용되는 표준적인 접근 방식이다. 그러나 이러한 점수는 종종 과도한 자신감(overconfidence) 문제를 겪으며, 분포 내(in-distribution, ID) 영역에서 멀리 떨어진 OOD 샘플을 잘못 분류하는 경우가 발생한다. 이 문제를 해결하기 위해, 데이터 매니폴드의 경계 기하학적 구조를 고려하도록 분류기 기반 점수를 안내하는 방법인 '최근접 이웃 안내(Nearest Neighbor Guidance, NNGuide)'를 제안한다. NNGuide는 OOD 샘플의 과도한 자신감을 줄이면서도 분류기 기반 점수의 세밀한 탐지 능력을 유지한다. 우리는 다양한 설정 하에서 ImageNet OOD 탐지 벤치마크를 대상으로 광범위한 실험을 수행하였으며, 특히 ID 데이터에 자연스러운 분포 이동(natural distribution shift)이 발생하는 상황도 포함하였다. 실험 결과, NNGuide는 기준 탐지 점수에 대해 의미 있는 성능 향상을 제공하며, AUROC, FPR95, AUPR 모두에서 최신 기준(SOTA) 성능을 달성하였다. 코드는 \url{https://github.com/roomo7time/nnguide}에서 제공된다.