현대 인공지능은 다양한 과학 분야에서 풍부하고 다재다능한 데이터 표현을 추출하는 능력을 혁신적으로 발전시켰지만, 이러한 표현의 통계적 속성은 여전히 제대로 제어되지 않아, 잘못 지정된 이상 감지(AD) 방법이 실패하는 원인이 된다. 본 논문은 이러한 문제점을 해결하기 위해, 최소한의 사전 정보 하에서 작동하는 감지 방법의 구조적 요건으로 희소성, 국소성, 경쟁성을 제시한다. 이를 바탕으로, 통계적 불균형 영역을 중심으로 표현 공간을 적응적으로 분할하는 자체 조직 국소 커널의 클래스를 정의하고, 이를 구현하는 SparKer을 소개한다. SparKer은 반지도 Neyman-Pearson 프레임워크 내에서 훈련된 가우시안 커널의 희소 앙상블로, 이상을 포함할 수 있는 샘플과 정상 샘플 간의 우도 비를 국소적으로 모델링한다. 본 논문은 SparKer의 탐지 및 자체 조직 메커니즘에 대한 이론적 통찰력을 제공하고, 과학적 발견, 개방형 세계 참신성 감지, 침입 감지, 생성 모델 검증 등 현실적인 고차원 문제에 대한 효과를 입증한다.
