Core Concepts
소량의 ID 데이터만 사용하는 상황에서 CLIP 모델을 활용하여 신뢰할 수 있는 OOD 데이터를 합성하고, 이를 통해 ID와 OOD 간의 경계를 효과적으로 학습할 수 있는 방법을 제안한다.
Abstract
이 논문은 소량의 ID 데이터만 사용하는 상황에서 OOD 탐지 문제를 다룬다. 기존 방법들은 OOD 데이터에 대한 감독 신호가 부족하여 ID와 OOD 간의 경계가 편향되는 문제가 있었다. 이를 해결하기 위해 CLIP-OS 방법을 제안한다.
CLIP-OS는 다음과 같은 3단계로 구성된다:
ID-관련 특징 추출: 패치 단위 컨텍스트 학습과 CLIP-surgery-discrepancy 마스킹을 통해 ID-관련 특징을 효과적으로 추출한다.
신뢰할 수 있는 OOD 데이터 합성: 추출된 ID-관련 특징을 이용하여 ID 클래스 간 믹스업을 통해 OOD 데이터를 합성한다.
ID/OOD 경계 정규화: 합성된 OOD 데이터와 "unknown" 프롬프트를 활용하여 ID 분류 성능과 OOD 탐지 성능을 동시에 향상시킨다.
실험 결과, CLIP-OS는 기존 방법들에 비해 뛰어난 OOD 탐지 성능을 보였다. 특히 소량의 데이터 환경에서도 강력한 성능을 발휘하였다.
Stats
소량의 ID 데이터만 사용하는 상황에서도 기존 방법들을 크게 능가하는 OOD 탐지 성능을 보였다.
CIFAR-100 데이터셋에서 78% 이상의 AUROC 점수를 달성하였다.
Quotes
"소량의 ID 데이터만 사용하는 상황에서도 기존 방법들을 크게 능가하는 OOD 탐지 성능을 보였다."
"CIFAR-100 데이터셋에서 78% 이상의 AUROC 점수를 달성하였다."