Diff-SySC: 반감지 모델을 활용한 반감지 이미지 분류 접근법

확산 모델은 복잡한 다중 모드 데이터 분포를 효과적으로 포착할 수 있다는 점에서 생성형 기계 학습 분야에 혁신을 가져왔다. 반감독 학습은 소량의 레이블 데이터가 제공된 상황에서 대량의 레이블 없이 데이터에서 정보를 추출할 수 있는 기법이다. 기존에는 다양한 생성형 방법이 반감독 학습 과제에 활용되어 왔으나, 확산 모델을 이와 같은 맥락에 통합한 접근은 여전히 제한적이다. 본 연구에서는 최신 생성형 확산 모델을 반감독 이미지 분류 문제에 적응시키는 방안을 제안한다. 우리는 확산 모델을 활용하여 레이블 생성 과정을 특징짓는 조건부 확률 분포를 학습하는 새로운 반감독 편표( pseudo-labeling ) 파이프라인인 Diff-SySC를 제안한다. 실험적 평가를 통해 Diff-SySC가 이미지 분류 벤치마크에서 뛰어난 강건성을 보임을 확인하였으며, CIFAR-10과 STL-10에서는 기존의 관련 연구들을 상회하는 성능을 달성하였고, CIFAR-100에서도 경쟁력 있는 성능을 기록하였다. 전반적으로 제안한 방법은 관련 연구 대비 90.74%의 경우에서 우수한 성능을 보였다.