다양한 작업 간 일관성을 통한 강건한 학습

시각 인지 능력은 객체 탐지, 깊이 추정 등 다양한 작업들을 해결하는 것을 포함한다. 한 이미지로부터 도출되는 서로 다른 작업에 대한 예측은 서로 독립적이지 않으며, 따라서 예측 결과들은 '일관성'을 가져야 한다. 본 연구에서는 다양한 작업 간의 일관성을 강제함으로써 학습하는 유연하고 완전히 계산 가능한 프레임워크인 '교차 작업 일관성( Cross-Task Consistency, X-TAC)'을 제안한다. 제안된 공식은 예측 도메인의 임의의 그래프 위에서 '추론 경로 불변성(inference path invariance)'에 기반한다. 우리는 교차 작업 일관성 학습이 더 정확한 예측, 분포 외 샘플에 대한 더 나은 일반화 능력, 그리고 개선된 샘플 효율성을 가져온다는 점을 관찰하였다. 이 프레임워크는 시스템 내부의 본질적 일관성을 측정함으로써 유도되는 강력한 비지도 양식의 지표인 '일관성 에너지(Consistency Energy)'를 도출한다. 일관성 에너지는 지도 학습 오차와 높은 상관관계를 보이며(r=0.67), 이를 통해 비지도로 강건성 지표로 활용할 수 있을 뿐 아니라 분포 외 입력을 탐지하는 데에도 효과적이다(AUC=0.99). 평가 실험은 Taskonomy, Replica, CocoDoom, ApolloScape 등 다양한 데이터셋을 대상으로 수행되었다.