Core Concepts
다양한 학습 과제를 통해 모델의 특징 표현 다양성을 확보하여 분포 외 데이터 탐지 성능을 향상시킬 수 있다.
Abstract
이 논문은 분포 외 데이터 탐지 문제에 대한 새로운 접근 방식을 제안한다. 기존의 앙상블 방식은 모델 초기화나 데이터 분할 등의 방법으로 모델 간 다양성을 확보하려 했지만, 이는 충분한 다양성을 제공하지 못했다.
저자들은 서로 다른 학습 과제를 통해 모델이 데이터에 대한 다양한 이해를 갖게 되고, 이를 통해 모델 간 특징 표현의 다양성이 확보될 수 있다고 주장한다. 이를 바탕으로 저자들은 다중 이해 앙상블(MC Ensemble)이라는 새로운 앙상블 방식을 제안한다.
MC Ensemble은 서로 다른 학습 과제(예: 교차 엔트로피 손실, SimCLR, SupCon)로 학습된 모델들을 앙상블하여, 모델 간 다양성을 극대화한다. 실험 결과, MC Ensemble은 기존 앙상블 방식보다 우수한 분포 외 데이터 탐지 성능을 보였다.
Stats
다양한 학습 과제를 통해 모델 간 특징 표현의 다양성이 확보될 수 있다.
MC Ensemble은 기존 앙상블 방식보다 우수한 분포 외 데이터 탐지 성능을 보였다.
Quotes
"다양한 학습 과제를 통해 모델의 특징 표현 다양성을 확보하여 분포 외 데이터 탐지 성능을 향상시킬 수 있다."
"MC Ensemble은 서로 다른 학습 과제로 학습된 모델들을 앙상블하여, 모델 간 다양성을 극대화한다."