두 공간의 정보
어떤 이상 입력은 특징 공간에서 쉽게 구별되지만 로짓 공간에서는 구별하기 어렵고 반대인 경우도 있다. ViM은 한 종류의 정보에만 의존하는 대신 두 공간에서 얻는 신호를 결합한다.
가상 클래스의 로짓
특징을 주공간과 비교해 얻은 잔차에서 분포 밖 가상 클래스의 로짓을 만든다. 상수 배율로 원래 로짓과 크기를 맞춘 뒤 소프트맥스를 적용하고 가상 클래스의 확률을 탐지 지표로 사용한다.
여러 모형의 평가
원 연구는 합성곱 신경망과 비전 트랜스포머를 포함한 모형에서 점수를 평가했다. ImageNet-1K의 대규모 분포 밖 평가를 위해 사람이 주석을 단 새 자료도 구성했다.
관련 문서
소프트맥스 함수 / 주성분 분석 / 표현 학습 / 마할라노비스 분포 밖 탐지 / 에너지 기반 분포 밖 탐지 / 이상 탐지