정규화 흐름 기반 OOD 탐지의 가능성 역설을 엔트로피 조작으로 해소

초록

본 논문은 정규화 흐름(Normalizing Flow) 모델이 OOD 입력에 대해 비정상적으로 높은 likelihood를 부여하는 “가능성 역설”을 해결하고자, 입력의 엔트로피를 의미론적 유사도에 따라 조절하는 사후 처리 기법인 SPEM을 제안한다. 이론적으로 엔트로피 증가가 기대 로그‑likelihood 차이를 확대한다는 하한을 증명하고, 메모리 뱅크 기반 유사도 측정으로 OOD일 가능성이 높은 샘플에 더 큰 가우시안 잡음을 부여한다. 실험 결과, CIFAR‑10/ CelebA‑SVHN 등 기존 역설이 보고된 10개 데이터 쌍에서 AUROC가 일관되게 향상되었으며, 추가 학습 없이도 기존 likelihood‑기반 및 다중‑통계 기반 방법들을 능가한다.

상세 분석

이 논문은 정규화 흐름(NF)이 제공하는 tractable likelihood가 OOD 탐지에 직관에 반하는 결과를 초래한다는 점을 시작점으로 삼는다. 기존 연구(Caterini & Loaiza‑Ganem, 2022)가 제시한 기대 로그‑likelihood 차이 식
(E_{P}