Diffusion based Semantic Outlier Generation via Nuisance Awareness for Out-of-Distribution Detection
Created by
Haebom
저자
Suhee Yoon, Sanghyu Yoon, Ye Seul Sim, Sungik Choi, Kyungeun Lee, Hye-Seung Cho, Hankook Lee, Woohyung Lim
개요
본 논문은 기존의 합성 OOD 데이터셋을 이용한 OOD(Out-of-Distribution) 탐지 방법의 한계를 극복하기 위해, 확산 모델을 이용하여 ID(In-Distribution) 샘플에서 직접 어려운 outlier를 생성하는 새로운 프레임워크인 SONA(Semantic Outlier generation via Nuisance Awareness)를 제안합니다. SONA는 ID 샘플의 의미 영역과 잡음 영역을 개별적으로 제어하여, 의미적으로는 ID와 다르면서도 잡음 측면에서는 다양한 수준의 유사성을 갖는 outlier를 생성합니다. 이를 통해 의미적 차이에 집중하여 OOD 검출기를 학습시키는 것을 가능하게 합니다. 실험 결과, near-OOD 데이터셋에서 88%의 AUROC를 달성하여 기존 방법보다 약 6% 향상된 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
확산 모델을 이용하여 현실적인 OOD outlier를 생성하는 새로운 방법 제시.
◦
의미적 차이와 잡음 유사성을 동시에 고려하여 OOD 탐지 성능 향상.
◦
near-OOD 데이터셋에서 기존 방법 대비 유의미한 성능 향상을 달성.
•
한계점:
◦
SONA의 성능이 near-OOD 데이터셋에 국한되어, far-OOD 데이터셋에 대한 일반화 성능은 추가적인 연구가 필요함.
