[Open DMQA Seminar]Unsupervised Out of Distribution Detection Using Diffusion and Consistency Models

대부분의 인공지능 모델은 학습에 사용한 데이터 분포가 추론 단계에서도 같을 것이라 가정한다. 하지만, 현실 상황속에서 이러한 가정은 지켜지기 어렵다. 이처럼 학습 데이터 분포를 벗어난 데이터를 미리 탐지하는 방법이 out-of-distribution(OOD) detection 이다. 최근 diffusion models 의 우수한 성능으로 인해, OOD detection 문제에도 diffusion models 을 적용하여 detection 성능을 향상시키는 연구들이 진행되고 있다. 실험 결과, diffusion 기반 방법론들은 기존의 likelihood 나 reconstruction 기반의 기존 생성 모델들보다 우수한 성능을 보여준다. 따라서, 본 세미나에서는 해당 연구들의 방법론을 소개하고자 한다.
참고자료:
[1] Graham, Mark S., et al. "Denoising diffusion models for out-of-distribution detection." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023.
[2] Liu, Zhenzhen, et al. "Unsupervised Out-of-Distribution Detection with Diffusion Inpainting." arXiv preprint arXiv:2302.10326 (2023).
[3] Choi, Sungik, et al. "Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models." Advances in Neural Information Processing Systems 36 (2024).