Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] OOD detection for Image Classification Part5 - NC based Approach

많은 post-hoc OOD detection 방법론들은 ID feature의 기하학적 구조를 OOD 탐지에 활용한다. 기존 대표적인 기하학 기반 접근들은 feature space에서의 거리, 밀도, 공분산 등 통계적 특성을 활용하며, 이를 위해 ID feature가 특정한 분포나 기하학적 구조를 따른다는 가정을 기반으로 작동한다. 하지만, 고차원 feature space가 사전에 가정한 분포로 설명될 수 있는지에 대해서는 고민이 필요하다. 최근에는 neural collapse (NC)라는 실제로 모델의 학습 과정에서 자연스럽게 나타나는 feature space의 구조적 특성을 활용하여 OOD를 탐지하는 접근법들이 활발히 연구되고 있다. 본 세미나에서는 NC가 무엇인지, 어떤 기하학적 구조로 수렴하는지 알아보고, 이러한 구조가 ID와 OOD를 구분하는데 어떻게 활용될 수 있는지를 소개하고자 한다. [1] Ben Ammar, M., Belkhir, N., Popescu, S., Manzanera, A., & Franchi, G. (2024, May). Neco: Neural collapse based out-of-distribution detection. In International Conference on Learning Representations (Vol. 2024, pp. 1182-1211). [2] Peng, N., Peng, X., Zhang, Y., Yu, Q., Xing, F., Ma, P., ... & Gu, Y. (2026). Breaking Semantic Hegemony: Decoupling Principal and Residual Subspaces for Generalized OOD Detection. arXiv preprint arXiv:2602.05360.