AdaFlow: 도메인 적응형 밀도 추정기로 이상 탐지와 비쌍 이미지 변환을 혁신한다

본 논문은 도메인 변화에 강인한 밀도 추정 모델인 AdaFlow를 제안한다. 기존의 Normalizing Flow(NF)는 강력한 확률 모델링 능력을 제공하지만, 새로운 도메인에 적용하려면 전체 네트워크를 재학습하거나 파인튜닝해야 하는 비용이 크다. 이를 해결하기 위해 저자들은 NF와 Adaptive Batch‑Normalization(AdaBN)을 결합한 구조를 설계했다. AdaBN은 각 도메인마다 별도의 평균(μ_k)과 분산(σ_k) 파라미터를 유지하고, 입력을 정규화·역정규화하는 과정에서 도메인 특성을 반영한다. 학습 단계에서는 모든 도메인의 데이터가 섞여 공유 파라미터 θ를 최적화하고, 도메인별 통계는 별도로 저장한다. 새로운 도메인이 등장하면 해당 데이터의 μ̂, σ̂를 한 번의 순전파로 계산하고, 저장된 AdaBN 파라미터를 교체함으로써 즉시 적응한다. 이 과정은 역전파를 필요로 하지 않아 메모리와 연산량이 크게 감소한다. AdaFlow의 구조는 크게 세 부분으로 나뉜다. (1) 베이스 NF 블록: 가역적인 변환 f₁…f_M을 통해 입력 x를 잠재 변수 z로 매핑한다. (2) 도메인 별 AdaBN 레이어: 각 변환 단계마다 현재 도메인의 μ_k, σ_k를 적용한다. (3) 역변환 블록: z를 다시 x로 복원한다. 전체 파이프라인은 x → f₁ → BN₁ → … → f_M → BN_M → z 로 진행되며, 로그우도는 Jacobian 행렬식의 합으로 정확히 계산된다. 응용 1) 소리 기반 비지도 이상 탐지: 정상 음향 데이터를 이용해 NF를 학습하고, 계절·날씨 등 환경 변화에 따라 AdaBN 통계만 업데이트한다. 실험에서는 DCASE 2020 데이터셋을 사용해 기존 NF 대비 AUC가 0.84→0.90으로 향상되었으며, 파인튜닝 대비 0.1초 이내의 적응 시간(10배 이상 빠름)을 기록했다. 응용 2) 비쌍 이미지 변환: 두 이미지 도메인(A, B)에 각각 AdaBN 파라미터를 할당하고, 동일 NF를 공유한다. 변환 과정은 A 이미지 → NF → z → AdaBN_B 적용 → 역NF → B 이미지 로 이루어진다. 이 방식은 CycleGAN 등 복잡한 GAN 기반 방법에 비해 학습 단계가 단순하고, 도메인 전환 시 추가 파라미터 학습 없이 AdaBN 교체만으로 가능하다. 실험에서는 MNIST↔SVHN, 사진↔그림 변환에서 시각적 품질과 FID 점수에서 경쟁력을 보였다. 논문의 주요 기여는 다음과 같다. (i) 도메인 적응을 위한 “한 번의 순전파” 메커니즘을 제시, 경량 디바이스에서도 실시간 적용 가능하게 함. (ii) NF와 AdaBN을 결합해 확률 기반 이상 점수와 이미지 변환을 동시에 지원하는 통합 프레임워크를 제공. (iii) 두 가지 실험(음향 이상 탐지, 비쌍 이미지 변환)으로 모델의 범용성과 효율성을 입증. 한계점으로는 AdaBN이 선형 변환만 제공하므로 복잡한 도메인 간 비선형 차이를 완전히 보정하기 어렵고, NF가 깊어질수록 역변환 연산 비용이 증가한다는 점을 들었다. 향후 연구에서는 비선형 적응 레이어(예: FiLM, 스타일 변환)와 결합하거나, 메타러닝 기반 빠른 파라미터 초기화 기법을 도입해 적응 속도와 표현력을 동시에 강화할 계획이다.