분포 외(out-of-distribution, OOD) 탐지는, 주어진 테스트 샘플이 학습 분포로부터 벗어난 것인지 여부를 식별하는 것으로, 딥 분류기를 실제 응용 환경에 배치하는 데 필수적이다. 기존의 OOD 탐지 최신 방법들은 분류 네트워크의 내부 특징을 활용함으로써 이 문제를 다룬다. 그러나 우리는 이러한 탐지 방법들이 훈련 분포와 근접한 형태로부터 생성된 어려운 OOD 이미지(즉, 훈련 분포에서 가까운 샘플)에 대해 본질적으로 탐지에 어려움을 겪는다는 점을 발견했으며, 순진한 softmax 기반 기준선조차도 그것들보다 성능이 더 우수하였다. 이에 동기부여되어, 우리는 분류기의 softmax 확률을 추가로 보정(calibration)하여 어려운 경우와 쉬운 경우 모두에서 높은 OOD 탐지 성능을 달성하기 위한, 간단하면서도 효과적인 훈련 계획을 제안한다. 구체적으로, 학습 과정에서 일관성 정규화(consistency regularization)와 자기지도학습(self-supervised) 손실을 최적화할 것을 제안한다. 우리의 실험 결과는 다양한 OOD 탐지 시나리오에서 해당 단순 방법이 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.