일반적인 변화의 견고함
최악의 적대적 변형만이 아니라 실제로 흔히 만날 수 있는 오염과 교란을 다룬다. 깨끗한 시험 이미지에서 정확도가 높은 모델이 이런 변화에도 견디는지 별도로 살피는 목적이다.
오염과 교란의 구분
ImageNet-C는 오염 견고함 평가를 표준화하고 확장한 자료다. ImageNet-P는 일반적인 교란에 대한 견고함을 평가하도록 제시돼 두 조건을 같은 지표로만 취급하지 않는다.
모델 발전과 견고함
초기 논문은 AlexNet에서 ResNet으로의 발전에도 상대적인 오염 견고함의 변화는 크지 않았다고 분석했다. 분류 성능의 개선과 변화에 대한 일반화가 같은 속도로 나아가는 것은 아니었다.
개선 방법의 비교
연구는 오염과 교란 견고함을 높이는 접근도 평가했다. 이후 자료 증강과 자기 학습 연구에서 깨끗한 자료의 정확도와 다른 성질을 비교하는 기준으로 활용됐다.
관련 문서
AugMix / Noisy Student / ImageNet 자연 적대 예시 / AutoAugment / RandAugment / 온도 스케일링