이 연구는 시각 데이터의 계층적 구조를 효과적으로 포착할 수 있는 쌍곡 기하학을 활용하여 시각 이상치 탐지 성능을 향상시키는 방법을 제안한다.
기존 유클리드 기반 방법들은 시각 데이터의 계층적 관계를 잘 포착하지 못하는 한계가 있다. 이에 쌍곡 기하학을 활용하여 이러한 계층적 구조를 효과적으로 학습할 수 있는 새로운 프레임워크를 제안한다.
제안하는 HOD(Hyperbolic Outlier Detection) 프레임워크는 쌍곡 공간에서 낮은 클래스 내 변동성과 높은 클래스 간 분리를 장려하는 학습 목적 함수를 사용한다. 이를 통해 ID(In-Distribution) 데이터 임베딩의 효과적인 클러스터링을 달성한다.
또한 쌍곡 공간에서 합성 이상치를 생성하는 새로운 방법을 제안한다. 이는 ID 데이터의 불확실한 임베딩을 활용하여 이상치를 생성함으로써 OOD(Out-of-Distribution) 탐지 성능을 향상시킨다.
실험 결과, HOD 프레임워크는 CIFAR-10과 CIFAR-100 데이터셋에서 기존 최신 방법 대비 FPR95 성능을 각각 22%에서 15%, 49%에서 28%로 크게 개선하였다. 또한 리소스 제한 환경에서도 효과적으로 작동하는 것으로 나타났다.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Alva... às arxiv.org 03-25-2024
https://arxiv.org/pdf/2403.15260.pdfPerguntas Mais Profundas