본 논문은 기존의 semantic 및 domain-shift OOD 문제 연구와 달리, 머신러닝 성능 저하를 야기하는 미묘한 데이터 분포 변화인 공변량 이동(covariate shift)에 초점을 맞춘 OOD 탐지 방법을 제안합니다. Batch Normalization을 사용한 적대적 판별기를 활용하여, 실제 샘플과 적대적 샘플이 고유한 배치 통계를 갖는 별개의 영역을 형성하는 특성을 이용합니다. 이를 위해, 배치 통계에 의존할 수 있도록 동일 이미지의 패치들을 배치로 구성하는 비지도 학습 기반의 Adversarial Variational Autoencoder (VAE) 프레임워크인 DisCoPatch를 제시합니다. VAE의 부정확한 출력(생성 및 재구성)을 음성 샘플로 사용하여 판별기의 훈련을 개선함으로써, in-distribution 샘플과 공변량 이동 간의 경계를 명확히 합니다. 결과적으로 ImageNet-1K(-C)에서 95.5% AUROC, Near-OOD 벤치마크에서 95.0%의 성능을 달성하며, 기존 방법들을 능가하는 동시에 25MB의 작은 모델 크기와 낮은 지연 시간을 통해 실용적인 OOD 탐지 솔루션을 제공합니다. 소스 코드는 공개되어 있습니다.
