소규모 학습 데이터에서 베이지안 신경망 기반 이상치 탐지

초록

**
본 논문은 제한된 학습 샘플(≤5 000개) 환경에서 베이지안 신경망(BNN)을 활용한 사후(O​OD) 탐지 점수를 제안하고, 기존 결정론적 방법과 비교한다. 기대 로그잇 벡터를 이용한 새로운 베이지안 점수와 기존 4가지 결정론적 점수의 베이지안 버전을 포함한 총 9가지 점수를 실험했으며, MNIST와 CIFAR‑10을 인‑분포로, FashionMNIST·Omniglot·KuzushijiMNIST·notMNIST·SVHN·CIFAR‑100·Places365·Textures 등을 외‑분포로 사용하였다. AUROC와 FPR95 지표에서 베이지안 방법이 전반적으로 우수함을 확인하였다.

**

상세 분석

**
이 연구는 “소규모 학습 데이터에서 O​OD 탐지”라는 실용적 문제에 베이지안 신경망(BNN)의 불확실성 표현 능력을 적용한다는 점에서 의미가 크다. 먼저 저자는 기존의 사후 O​OD 점수인 Softmax Entropy(SE), Maximum Logit(ML), k‑Nearest‑Neighbour(k‑NN) 거리 등을 정리하고, 이들 점수를 베이지안 버전으로 확장한다. 베이지안 버전은 모델 파라미터의 사후 분포 q(ω) 위에서 기대 로그잇 (\hat{z}(x)=\mathbb{E}_{q(ω)}