두 접근의 결합
실제 이상치로 이진 판별기를 학습하면 해당 이상치에 과적합할 수 있다. 반대로 생성적 적대 신경망의 판별기를 그대로 사용하는 접근도 학습 불안정성의 영향을 받을 수 있어 두 방향을 결합했다.
개방 집합 표본의 확대
실제 개방 집합 학습 표본에 적대적으로 합성한 가짜 자료를 추가한다. 일부 실제 이상치를 이용해 적절한 판별기를 고르는 전략과 합성 표본의 확대를 함께 활용한다.
특징 위의 가벼운 판별기
알려진 클래스를 분류하는 기존 신경망이 계산한 특징 위에서 판별기를 학습한다. 영상 전체를 새로 모델링하는 대신 기존 분류 모형 위에 가벼운 판별 헤드를 얹는 구조로 구현할 수 있다.
관련 문서
개방 집합 인식 / 생성적 적대 신경망 / Outlier Exposure / OpenMax / ARPL 개방 집합 인식 / 표현 학습