A Comparative Study of Machine Learning and Deep Learning for Out-of-Distribution Detection

작성자

Haebom

카테고리

Empty

저자

Jihyeon Baek, Seunghoon Lee, Gitaek Kwon, Doohyun Park

💡 개요

신뢰할 수 있는 AI 시스템 구축을 위해 필수적인 Out-of-Distribution (OOD) 탐지에서, 본 연구는 표준화된 프로토콜로 획득되어 이미지 변동성이 상대적으로 제한적인 의료 영상 데이터 환경에서의 머신러닝(ML)과 딥러닝(DL) 접근 방식의 성능을 비교 분석했습니다. 두 방식 모두 60,000개 이상의 안저 및 비안저 이미지 데이터셋에서 AUROC 1.000 및 0.999-1.000의 정확도를 달성하며 동등한 탐지 성능을 보였습니다.

🔑 시사점 및 한계

•

의료 영상과 같이 이미지 변동성이 제한적인 OOD 탐지 문제에서는 딥러닝 수준의 성능을 달성하면서도 계산 효율성이 높은 경량 머신러닝 모델이 효과적일 수 있습니다.

•

본 연구 결과는 복잡성이 낮은 OOD 탐지 작업에서 딥러닝 대신 머신러닝 접근 방식을 사용하는 것이 실용적인 배포에 더 적합할 수 있음을 시사합니다.

•

연구는 비교적 단순한 이미지 특성을 가진 특정 도메인에 초점을 맞추고 있으므로, 더 복잡하고 다양한 이미지 특성을 가진 OOD 탐지 작업에는 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage