본 논문은 열린 집합 인식(open-set recognition)에서 정확한 불확실성 추정의 중요성을 강조하며, 특히 탐색 생체 정보 샘플이 알려지지 않은 신원에 속할 수 있는 경우에 초점을 맞춥니다. 확률적 임베딩을 통한 샘플 품질 추정을 통해 이 문제를 해결할 수 있지만, 확률적 임베딩의 낮은 분산은 낮은 식별 오류 확률을 부분적으로만 의미한다는 점을 지적합니다. 즉, 샘플의 임베딩이 갤러리 내 여러 클래스에 가까울 수 있어 샘플 품질이 높더라도 높은 불확실성을 초래할 수 있습니다. 따라서, 본 논문에서는 베이지안 확률 모델을 기반으로 하는 전체론적 불확실성 추정 방법인 HolUE를 제안합니다. HolUE는 열린 집합 인식 시스템의 두 가지 모호성 원인, 즉 (1) 중복 클래스로 인한 갤러리 불확실성과 (2) 임베딩의 불확실성을 고려합니다. IJB-C (이미지), VoxBlink (오디오), 그리고 새롭게 제시된 고래와 돌고래 식별을 위한 열린 집합 인식 프로토콜을 통해 HolUE의 성능을 평가하며, HolUE가 샘플 품질에만 기반한 다른 불확실성 추정 방법보다 인식 오류를 더 잘 식별함을 보여줍니다.
