DisCoPatch: OOD 검출을 위해 배치 통계가 필요하지만, 신뢰할 수 있어야 합니다.

분포 외(OOD, Out-of-Distribution) 검출은 많은 응용 분야에서 중요한 역할을 합니다. 의미적 및 도메인 시프트 OOD 문제는 잘 연구되어 왔지만, 본 연구에서는 공변량 시프트(covariate shifts)에 초점을 맞춥니다. 공변량 시프트는 데이터 분포의 미묘한 변화로, 이는 머신 러닝 성능을 저하시킬 수 있습니다. 우리는 이러한 미묘한 시프트를 감지함으로써 분포 내(in-distribution) 경계를 더 잘 이해할 수 있으며, 궁극적으로 OOD 검출을 개선할 수 있다고 가정합니다. 배치 정규화(Batch Normalization, BN)를 사용하여 훈련된 적대적 판별기(adversarial discriminators)에서 실제 샘플과 적대적 샘플은 고유한 배치 통계량을 가진 서로 다른 도메인을 형성합니다. 이 특성을 OOD 검출에 활용하기 위해 DisCoPatch라는 비지도 적대적 변분 오토인코더(Adversarial Variational Autoencoder, VAE) 프레임워크를 소개합니다. 추론 과정에서 배치는 동일 이미지의 패치들로 구성되므로 일관된 데이터 분포를 유지하며 모델이 배치 통계량에 의존할 수 있습니다. DisCoPatch는 VAE의 하위 최적(suboptimal) 출력(생성 및 재구성된 샘플)을 부정 샘플로 사용하여 판별기를 훈련시킵니다. 이를 통해 분포 내 샘플과 공변량 시프트 사이의 경계를 명확히 구분하는 능력을 향상시킵니다. 이 경계를 강화함으로써 DisCoPatch는 공개 OOD 검출 벤치마크에서 최고 수준의 결과를 달성하였습니다. 제안된 모델은 ImageNet-1K(-C)에서 95.5%의 AUROC(Area Under the Receiver Operating Characteristic curve) 성능을 보여주며, 공개 근접-OOD(Near-OOD, 95.0%) 벤치마크에서도 모든 기존 방법보다 우수한 성능을 발휘합니다. 25MB의 소형 모델 크기로도 현저히 낮은 지연 시간(latency)으로 높은 OOD 검출 성능을 달성하여 실세계 OOD 검출 응용 분야에 효율적이고 실용적인 솔루션을 제공합니다. 본 연구의 코드는 공개될 예정입니다.