본 논문은 기존의 semantic 및 domain-shift OOD 문제와 달리, 기계 학습 성능 저하를 야기하는 미묘한 데이터 분포 변화인 공변량 이동(covariate shift)에 초점을 맞춘 Out-of-distribution (OOD) 탐지 방법을 제시합니다. Batch Normalization(BN)을 사용하여 학습된 적대적 판별기에서 실제 샘플과 적대적 샘플이 고유한 배치 통계량을 갖는 별개의 도메인을 형성하는 특징을 이용하여, DisCoPatch라는 비지도 학습 기반의 적대적 변분 오토인코더(VAE) 프레임워크를 제안합니다. DisCoPatch는 VAE의 부정확한 출력(생성 및 재구성된 샘플)을 음성 샘플로 사용하여 판별기를 학습시켜, in-distribution 샘플과 공변량 이동 간의 경계를 명확히 합니다. 결과적으로 ImageNet-1K(-C)에서 95.5% AUROC, Near-OOD 벤치마크에서 95.0%의 성능을 달성하며 최첨단 성능을 보였고, 25MB의 작은 모델 크기와 낮은 지연 시간으로 실용적인 OOD 탐지 솔루션을 제공합니다. 소스 코드 또한 공개되어 있습니다.
