예상하지 못한 변화
학습과 시험 자료의 분포가 달라지면 높은 분류 정확도가 유지되지 않을 수 있다. AugMix는 배포 환경에서 만날 수 있는 예측하지 못한 오염을 견디는 문제를 다뤘다.
여러 증강 경로의 혼합
단순한 증강 연산을 무작위로 골라 여러 경로로 구성하고 결과 이미지를 혼합한다. 변환을 길게 이어 붙여 원래 이미지에서 지나치게 벗어나는 문제를 줄이면서 다양성을 확보하려는 방식이다.
예측 분포를 일관되게
원본과 증강된 형태들의 예측 분포 사이에 젠슨 섀넌 발산 손실을 적용한다. 입력 표현이 달라져도 모델이 지나치게 불안정하게 반응하지 않도록 학습한다.
오염과 작은 교란의 평가
연구는 CIFAR와 ImageNet의 오염 자료에서 분류 견고함을 평가했다. 작은 변화가 이어질 때 예측이 얼마나 흔들리는지와 분포 변화에서의 불확실성 보정도 살폈다.
관련 문서
TrivialAugment / AutoAugment / RandAugment / CutMix / MixUp / 온도 스케일링