본 논문은 기존의 semantic 및 domain-shift OOD(Out-of-Distribution) 검출 연구와 달리, 기계 학습 성능 저하를 야기하는 미묘한 데이터 분포 변화인 공변량 이동(covariate shift)에 초점을 맞춥니다. 미묘한 변화를 감지하는 것이 in-distribution 경계에 대한 이해를 높이고 궁극적으로 OOD 검출 성능을 향상시킬 수 있다는 가설 하에, Batch Normalization(BN)을 사용하여 학습된 적대적 판별기를 활용합니다. 실제 및 적대적 샘플은 고유한 배치 통계를 가진 별개의 도메인을 형성하며, 이 특성을 OOD 검출에 활용하는 DisCoPatch라는 비지도 학습 Adversarial Variational Autoencoder(VAE) 프레임워크를 제시합니다. 추론 단계에서 동일 이미지의 패치로 구성된 배치를 사용하여 일관된 데이터 분포를 유지하고 배치 통계에 의존하며, VAE의 비최적 출력(생성 및 재구성)을 부정적 샘플로 사용하여 판별기의 성능을 향상시킵니다. 이를 통해 in-distribution 샘플과 공변량 이동 간의 경계를 명확히 하여 ImageNet-1K(-C)에서 95.5% AUROC, Near-OOD 벤치마크에서 95.0%의 성능을 달성, 기존 방법들을 능가합니다. 또한 25MB의 작은 모델 크기와 낮은 지연 시간으로 실제 OOD 검출 애플리케이션에 효율적이고 실용적인 솔루션을 제공합니다.
