Core Concepts
본 연구는 증거 기반 딥 러닝(EDL)을 열린 집합 준지도 학습에 처음으로 도입하고, 적응형 부정적 최적화 방법을 제안한다. EDL은 다양한 불확실성을 정량화할 수 있어 준지도 학습에서 내부 데이터 선별과 외부 데이터 탐지에 활용된다. 또한 부정적 최적화와 적응형 손실 가중치를 통해 내부 데이터와 외부 데이터의 분리를 강화한다.
Abstract
본 연구는 열린 집합 준지도 학습(Open-set SSL)을 위한 새로운 프레임워크인 적응형 부정적 증거 기반 딥 러닝(ANEDL)을 제안한다.
EDL 도입:
EDL은 다양한 불확실성을 정량화할 수 있어 준지도 학습에서 내부 데이터 선별과 외부 데이터 탐지에 활용된다.
EDL은 기존 소프트맥스 기반 이진 분류기보다 복잡한 데이터셋에서 외부 데이터 탐지에 더 강인하다.
적응형 부정적 최적화:
부정적 최적화를 통해 EDL 탐지기가 외부 데이터에 대해 낮은 증거값을 출력하도록 한다.
적응형 손실 가중치를 도입하여 내부 데이터와 외부 데이터의 학습을 균형있게 진행한다.
불확실성 지표 설계:
준지도 학습에서는 내부 데이터 선별을, 추론에서는 외부 데이터 탐지를 위해 각각 다른 불확실성 지표를 사용한다.
실험 결과, 제안 방법이 다양한 데이터셋에서 기존 최신 방법들을 뛰어넘는 성능을 보였다.
Stats
준지도 학습에서 내부 데이터 선별을 위해 EDL 헤드의 출력 증거값 합을 사용한다.
추론 시 외부 데이터 탐지를 위해 EDL 헤드의 상위 M개 증거값 합을 사용한다.