다양성 유도 벡터 진화로 라쇼몬 집합 탐색

초록

DIVERSE는 사전 학습된 신경망에 FiLM 레이어를 삽입하고, CMA‑ES를 이용해 저차원 잠재 벡터 z를 탐색함으로써 재학습 없이 라쇼몬 집합(동일 정확도·다양한 예측 행동)을 효율적으로 구성한다. MNIST, PneumoniaMNIST, CIFAR‑10 실험에서 높은 정확도를 유지하면서도 하드·소프트 불일치가 큰 모델들을 다수 발견했으며, 재학습 기반 방법에 비해 계산 비용이 크게 절감된다.

상세 분석

본 논문은 딥러닝 모델의 라쇼몬 집합을 탐색하기 위한 새로운 프레임워크 DIVERSE를 제안한다. 핵심 아이디어는 기존에 학습된 모델을 그대로 보존하고, Feature‑wise Linear Modulation(FiLM) 레이어를 네트워크 전역에 삽입해 잠재 벡터 z에 의해 활성값을 선형 변환하는 것이다. FiLM 파라미터 γ와 β는 고정된 투사 행렬 Wγ, Wβ와 z의 내적을 tanh와 1+tan h를 통해 제한된 범위(γ∈