본 논문은 실제 환경에서 데이터 변화에도 성능을 유지하는 머신러닝 모델 구축의 핵심 과제를 다루며, 특히 오픈셋 인식(open-set recognition) 문제에 초점을 맞춘다. 기존의 오픈셋 인식 연구는 배경 분포가 고정되어 있다는 가정을 기반으로 했으나, 본 논문에서는 배경 분포가 변화하는 상황에서도 오픈셋 인식을 해결하는 새로운 방법인 \ours{}를 제시한다. \ours{}는 새로운 클래스가 비(非) 새로운 클래스와 분리될 수 있다는 가정 하에 작동하며, 단순화된 과다 매개변수화 설정에서 대표적인 기준선보다 우수한 성능을 보장한다. 또한, \ours{}의 확장성과 견고성을 위한 기술을 개발하고, 이미지 및 텍스트 데이터에 대한 광범위한 실험을 통해 기존 오픈셋 인식 방법보다 월등한 성능을 입증한다. 더불어, 새로운 클래스의 크기가 성능에 미치는 영향과 같이 기존 연구에서 충분히 탐구되지 않았던 측면에 대한 새로운 통찰력을 제공한다.
