본 논문은 오픈월드 환경에서 머신러닝 및 AI 모델의 안전한 배포를 위해 필수적인 범위 외 데이터(OOD) 검출 문제를 다룹니다. 기존 OOD 검출 방법들은 추가적인 모델 훈련이나 훈련 데이터 통계 정보에 대한 접근을 필요로 하며, 서로 다른 아키텍처 간 성능 유지를 어려워하는 한계를 가지고 있습니다. 본 연구는 훈련 데이터 분포에 대한 접근 없이, 훈련된 네트워크를 그대로 유지하면서 다양한 아키텍처에서 강력한 성능을 유지하는 간단한 사후 처리 방법인 Logit Scaling (LTS)을 제안합니다. LTS는 로짓을 스케일링하여 ID(In-Distribution)와 OOD 샘플을 효과적으로 구분합니다. CIFAR-10, CIFAR-100, ImageNet, OpenOOD 등 다양한 벤치마크에서 3개의 ID 데이터셋과 14개의 OOD 데이터셋, 9개의 모델 아키텍처를 사용하여 실험을 진행한 결과, 최첨단 성능, 강건성, 그리고 다양한 아키텍처에 대한 적응력을 보여주었습니다.
