데이터 오염 상황에서 이상 탐지를 위한 증거 기반 사후 조정 프레임워크

초록

EPHAD는 훈련 단계에서 오염된 데이터로 학습된 비지도 이상 탐지 모델의 출력만을 테스트 시점에 증거(예: CLIP, LOF 등)와 결합해 후처리함으로써 오염으로 인한 성능 저하를 효과적으로 완화한다. 사전 지식이나 훈련 파이프라인 접근이 필요 없으며, 온도 파라미터 β를 통해 증거와 원 모델 사이의 균형을 조절한다.

상세 분석

본 논문은 비지도 이상 탐지(AD) 모델이 훈련 데이터에 숨겨진 이상치(오염) 때문에 정상·비정상 구분 능력이 크게 약화되는 현실적인 문제를 다룬다. 기존 방법들은 오염 비율을 사전에 알아야 하거나, 모델 재학습·데이터 정제와 같은 높은 계산 비용을 요구한다. 저자는 이러한 제약을 없애고자 ‘Evidence‑Based Post‑hoc Adjustment Framework for Anomaly Detection (EPHAD)’를 제안한다. 핵심 아이디어는 테스트 시점에 별도의 증거 함수 T(x)를 정의하고, 원래 모델이 추정한 오염된 확률밀도 f±(x)에 대해 지수 기울기(exp