Geometrically Constrained Outlier Synthesis
Author
- Haebom
Category
Empty
저자
Daniil Karzanov, Marcin Detyniecki
💡 개요
본 논문은 딥러닝 이미지 분류 모델이 학습 데이터 분포에서 벗어난(Out-of-Distribution, OOD) 샘플에 대해 과신하는 문제를 해결하기 위해 '기하학적으로 제약된 이상치 합성(Geometrically Constrained Outlier Synthesis, GCOS)'이라는 새로운 훈련 시간 정규화 프레임워크를 제안합니다. GCOS는 학습 데이터의 다양체 구조를 존중하면서 가상 이상치를 생성하여 OOD 강건성을 향상시키며, 특히 근접 OOD 벤치마크에서 기존 최첨단 방법론보다 우수한 성능을 보였습니다.
🔑 시사점 및 한계
•
학습 데이터의 기하학적 구조를 활용하여 현실적인 OOD 이상치를 생성함으로써 모델의 OOD 강건성을 효과적으로 향상시킬 수 있습니다.
•
제안된 프레임워크는 통계적으로 유효한 p-value를 제공하는 등급 OOD 추론으로 자연스럽게 확장될 수 있어, 보다 예측 가능하고 신뢰할 수 있는 OOD 탐지를 위한 길을 열어줍니다.
•
합성된 이상치의 다양성 및 실제 OOD 데이터와의 간극을 줄이기 위한 추가적인 연구와, 다양한 복잡성의 OOD 시나리오에 대한 일반화 성능 검증이 필요합니다.
