유통 불가

분포 이탈(OOD) 감지는 모델 학습 단계에서 다루지 않은 데이터 샘플을 식별하는 데 중점을 둔 머신 러닝 분야의 주요 연구 방향입니다. 이러한 감지 기술은 모델의 견고성을 개선하는 데 중요하며, 특히 모델이 훈련 데이터와 크게 다른 새로운 환경에 직면할 때 더욱 중요합니다. OOD 탐지의 핵심 과제는 모델이 알려지지 않았거나 비정상적인 데이터에 직면했을 때 맹목적으로 예측하는 것이 아니라 올바르게 대응할 수 있어야 한다는 것입니다. 이러한 알려지지 않은 샘플은 완전히 다른 분포에서 나왔거나 훈련 데이터와 다른 특성을 가질 수 있으며, 이를 위해서는 모델이 어느 정도의 일반화 능력을 갖춰야 합니다.

실제 응용 분야에서 OOD 감지는 의료 진단, 재정적 위험 평가, 자율 주행 등을 포함하되 이에 국한되지 않는 광범위한 응용 시나리오를 갖습니다. 이러한 영역에서 모델의 결정은 중대한 결과를 초래할 수 있으므로 OOD 샘플을 정확하게 식별하고 처리할 수 있는 기능이 특히 중요해집니다. 예를 들어, 의료 진단의 경우 모델은 훈련 데이터에 나타나지 않을 수 있는 드문 사례를 접할 수 있으며, 이러한 OOD 샘플을 올바르게 식별하지 못하면 잘못된 진단을 내릴 수 있습니다.

상하이 교통대학교와 알리바바 통이 연구실은 2024년에 "수학적 추론에서 분포 이탈 탐지를 위한 궤적 내장NeurIPS 2024에서 채택된 "은 수학적 추론 시나리오에서 분포 이탈 감지에 대한 최초의 연구 결과입니다.