본 논문은 에지 컴퓨팅 환경(산업 모니터링, 건강 진단, 스마트 어시스턴트 등)에서의 낮은 지연 시간과 높은 정확도를 요구하는 텍스트 분류에 초점을 맞추고 있습니다. 특히, 실시간 에지 환경 배포에 중요한 요소인 Out-of-distribution 및 노이즈 데이터에 대한 강건성을 보이는 생성형 분류기와 차별적 분류기를 비교 연구하였습니다. Brevitas quantization library를 사용하여 Post Training Quantization (PTQ) 기법을 적용한 LSTM 기반 생성형 및 차별적 텍스트 분류 모델을 다양한 비트 너비에서 평가하고, 정상 및 노이즈 입력 조건 하에서의 강건성을 분석했습니다. 실험 결과, 차별적 분류기는 강건성을 유지하는 반면, 생성형 분류기는 비트 너비, PTQ 중 사용된 보정 데이터, 양자화된 추론 중 입력 노이즈에 더 민감하게 반응하는 것을 확인했습니다. 또한, 보정 데이터의 클래스 불균형이 두 유형의 분류기에 미치는 영향을 평가하여, 클래스 샘플이 고르게 또는 불균형하게 분포된 시나리오에서의 가중치 조정 및 활성화 프로필의 변화를 분석했습니다. 비모수적 가설 검정에서 도출된 검정 통계량을 사용하여, 보정 중 클래스 불균형 데이터를 사용하면 낮은 비트 너비에서 생성형 LSTM 분류기의 가중치 적응이 불충분해져 성능 저하로 이어짐을 밝혔습니다. 결론적으로, 본 연구는 PTQ에서 보정 데이터의 역할과 노이즈 하에서 생성형 분류기의 성공 또는 실패 여부를 강조하여 에지 환경 배포에 도움을 줍니다.