사후적 위임 학습 (Post-Hoc Learning to Defer)을 위한 밀도비 손실 (Density-Ratio Losses)

요약

본 논문은 사후적 위임 학습(Learning to Defer, L2D)을 이상적인 데이터 분포 간의 밀도비(density-ratio) 관점에서 재정의하고 연구합니다. 밀도비 추정을 클래스 확률 추정(CPE)으로 변환하여 재학습 없이도 위임률을 조정할 수 있는 DR CPE 손실 함수를 제안하며, 실험을 통해 기존 베이스라인 대비 높은 견고성을 입증했습니다.

핵심 포인트

• 사후적 위임 학습(L2D)을 모델과 전문가의 이상적 분포 사이의 밀도비 학습 문제로 규정
• 밀도비 추정을 클래스 확률 추정(CPE)으로 환원하여 DR CPE 손실 함수 도출
• 임계값 설정을 통해 모델 재학습 없이 위임률(deferral rates)을 유연하게 조정 가능
• Chow의 규칙과 전문가 편향 베이즈 사후 확률 간의 이론적 관계 복원
• 이상 탐지(anomaly detection) 등 관련 학습 설정과의 이론적 연결 고리 명확화