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

Out-of-Distribution (OOD) Detection은 새로운 데이터가 기존 데이터 분포(In-Distribution)에 속하는지 판별하는 기술로, 자율 주행 및 의료 진단 등에서 필수적입니다. 최근에는 보조 데이터셋을 활용하는 Outlier Exposure (OE) 방식이 주목받고 있으나, 실제 환경에서 양질의 아웃라이어 데이터를 확보하는 데 막대한 비용이 소요되는 문제가 있습니다.

LG AI연구원은 이를 해결하기 위해 Diffusion 모델을 기반으로 한 Semantic-Discrepant (SD) Outlier Generation 기술을 선보였습니다. 기존의 생성 모델들이 흐릿한 이미지를 만드는 한계가 있었던 것과 달리, 이 방법론은 사진처럼 정교한(Photo-realistic) 아웃라이어를 생성합니다.

제안된 SD Outlier 생성의 핵심은 두 가지 속성을 충족하는 것입니다.

• ID 유사성: 생성된 데이터가 기존 데이터 분포와 충분히 가까워야 함
• Semantic 차이: 배경 등 부수적인 정보(Nuisance)는 유지하되, 핵심 의미(Semantic)는 명확히 구분되어야 함

연구팀은 SCAN 방법론을 통해 얻은 Pseudo-label과 Classifier-Free Guidance (CFG) 모델을 결합하여, 레이블이 없는 환경에서도 효과적으로 작동하는 새로운 OOD 탐지 프레임워크를 구축했습니다.