제1항에 있어서,상기 손실 함수는, 크로스-엔트로피(Cross-Entropy) 손실 함수로 정의되는, 노이즈 필터를 이용한 이상치 탐지 방법.

이상치 탐지 장치에 의해 수행되는 이상치 탐지 방법에 있어서, 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하는 단계; 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는 단계; 및 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하는 단계를 포함하되,상기 노이즈 필터를 생성하는 단계는, 상기 기 학습된 분류 모델을 고정하고 상기 생성된 노이즈 필터의 초기값을 0으로 설정하고,상기 생성된 노이즈 필터를 학습하는 단계는, 상기 학습 데이터와 상기 생성된 노이즈 필터를 더해 새로운 학습 데이터를 생성하고, 상기 생성된 새로운 학습 데이터를 상기 기 학습된 분류 모델에 통과시키는, 노이즈 필터를 이용한 이상치 탐지 방법.

제1항에 있어서,상기 학습 데이터는 타겟 이미지 분포에 따른 학습 이미지 데이터이고, 상기 기 학습된 분류 모델은 상기 타겟 이미지 분포에 맞게 기 학습된 이미지 분류 모델인, 노이즈 필터를 이용한 이상치 탐지 방법.

삭제

제1항에 있어서,상기 노이즈 필터를 생성하는 단계는, 상기 학습 데이터를 상기 기 학습된 분류 모델을 통과시켜 나온 제1 출력값에 온도 스케일링(Temperature scaling)을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법.

제4항에 있어서,상기 노이즈 필터를 생성하는 단계는, 상기 제1 출력값을 하이퍼파라미터(Hyperparameter)인 온도 값(Temperature, T)으로 나누어 주는 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법.

삭제

제1항에 있어서,상기 생성된 노이즈 필터를 학습하는 단계는, 상기 출력값이 실제 클래스를 맞추도록 정의한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는, 노이즈 필터를 이용한 이상치 탐지 방법.

제4항에 있어서,상기 신규 데이터에 대한 이상치 여부를 탐지하는 단계는, 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값에 상기 제1 출력값에 적용한 온도 스케일링과 같은 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법.

제1항에 있어서, 상기 신규 데이터에 대한 이상치 여부를 탐지하는 단계는, 상기 제2 출력값의 소프트맥스 스코어(Softmax score)가 기설정된 수치 이하인 경우를 이상치로 탐지하는, 노이즈 필터를 이용한 이상치 탐지 방법.

하나 이상의 프로그램을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하고, 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하고, 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하되,상기 프로세서는,상기 기 학습된 분류 모델을 고정하고 상기 생성된 노이즈 필터의 초기값을 0으로 설정하며,상기 학습 데이터와 상기 생성된 노이즈 필터를 더해 새로운 학습 데이터를 생성하고, 상기 생성된 새로운 학습 데이터를 상기 기 학습된 분류 모델에 통과시키는, 노이즈 필터를 이용한 이상치 탐지 장치.

제11항에 있어서,상기 학습 데이터는 타겟 이미지 분포에 따른 학습 이미지 데이터이고, 상기 기 학습된 분류 모델은 상기 타겟 이미지 분포에 맞게 기 학습된 이미지 분류 모델인, 노이즈 필터를 이용한 이상치 탐지 장치.

삭제

제11항에 있어서,상기 프로세서는, 상기 학습 데이터를 상기 기 학습된 분류 모델을 통과시켜 나온 제1 출력값에 온도 스케일링(Temperature scaling)을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치.

제14항에 있어서,상기 프로세서는, 상기 제1 출력값을 하이퍼파라미터(Hyperparameter)인 온도 값(Temperature, T)으로 나누어 주는 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치.

삭제

제11항에 있어서,상기 프로세서는, 상기 출력값이 실제 클래스를 맞추도록 정의한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는, 노이즈 필터를 이용한 이상치 탐지 장치.

제11항에 있어서,상기 손실 함수는, 크로스-엔트로피(Cross-Entropy) 손실 함수로 정의되는, 노이즈 필터를 이용한 이상치 탐지 장치.

제14항에 있어서,상기 프로세서는, 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값에 상기 제1 출력값에 적용한 온도 스케일링과 같은 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치.

제11항에 있어서, 상기 프로세서는, 상기 제2 출력값의 소프트맥스 스코어(Softmax score)가 기설정된 수치 이하인 경우를 이상치로 탐지하는, 노이즈 필터를 이용한 이상치 탐지 장치.

프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하는 단계; 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는 단계; 및 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하는 단계를 포함하되,상기 노이즈 필터를 생성하는 단계는,상기 기 학습된 분류 모델을 고정하고 상기 생성된 노이즈 필터의 초기값을 0으로 설정하고,상기 생성된 노이즈 필터를 학습하는 단계는,상기 학습 데이터와 상기 생성된 노이즈 필터를 더해 새로운 학습 데이터를 생성하고, 상기 생성된 새로운 학습 데이터를 상기 기 학습된 분류 모델에 통과시키는, 비일시적 컴퓨터 판독 가능한 저장 매체.