본 논문은 알려진 클래스를 정확하게 분류하는 동시에 알 수 없는 샘플을 효과적으로 거부해야 하는 Open Set Recognition (OSR) 문제를 다룹니다. 특히, 알려지지 않은 샘플이 알려진 클래스와 의미론적으로 유사할 때 발생하는 과신 문제를 해결하기 위해, 조절 가능한 파라미터 교란을 통해 예측 불확실성을 정량화하고, 불확실성을 활용하여 알려진 클래스와 알려지지 않은 클래스 간의 차별을 개선하는 두 단계의 프레임워크를 제안합니다. 이 프레임워크는 OSR 성능을 향상시키며, 세 개의 공개 데이터셋에 대한 실험 결과 기존 OSR 방법보다 우수한 성능을 보입니다.
