[NeurIPS 2023] 합성 아웃라이어 생성을 통한 OOD 탐지 Part 1 - LG AI Research BLOG

데이터가 기존 학습 분포(In-Distribution, ID)에 속하는지 아니면 새로운 분포(Out-of-Distribution, OOD)에 속하는지를 판별하는 OOD Detection은 자율주행, 의료 진단 등 다양한 분야에서 필수적인 기술이다.

기존의 Outlier Exposure (OE) 방식은 보조 OOD 데이터셋을 활용해 성능을 높이지만, 실제 환경에서 정교한 OOD 데이터를 확보하는 데 막대한 비용과 노동력이 소요된다는 한계가 있다. 이를 해결하기 위해 최근 GAN이나 Diffusion 기반의 합성 데이터 생성 연구가 활발히 진행되고 있다.

LG AI Research DI Lab은 이번 연구에서 두 가지 핵심 속성을 가진 Semantic-Discrepant (SD) 아웃라이어 생성을 제안한다.

• ID와의 근접성: 생성된 데이터가 기존 ID 데이터와 충분히 유사해야 함
• 의미적 차별성: 배경 등 부수적인 정보(Nuisance)는 유지하되, 핵심적인 의미 정보(Semantic)는 ID와 명확히 구분되어야 함

연구팀은 최신 자기지도 학습(Self-supervised learning) 방법론인 SCAN을 통해 의사 라벨(Pseudo-label)을 획득하고, Classifier-Free Guidance (CFG) Diffusion 모델을 활용하여 사진처럼 정교하고 의미적으로 구별되는 아웃라이어를 생성함으로써 OOD 탐지 성능을 혁신적으로 개선했다.