공변량 변화 (Covariate Shift) 상황에서 강건한 양의 미라벨 학습 (Positive Unlabeled Learning)을 위한

공변량 변화 (Covariate Shift)를 탐지하는 것은 신뢰할 수 있는 비전 시스템을 구축하는 데 매우 중요합니다. 기존의 대부분의 연구는 변화에 대한 강건성 (Robustness)을 개선하는 데 집중해 왔지만, 공변량 변화를 명시적으로 탐지하는 연구는 여전히 미흡한 상태입니다. 기존 방식들은 일반적으로 완전 지도 학습 (Fully Supervised Training)에 의존하며, 이는 원래의 분포와 변화된 분포 모두로부터 라벨이 지정된 예시를 필요로 하는데, 이는 실제 상황에서 실행 불가능한 경우가 많습니다. 본 논문에서는 양의 미라벨 학습 (Positive Unlabeled (PU) Learning)을 이용한 약한 지도 학습 (Weaker Supervision)을 통해 공변량 변화 탐지 문제를 효과적으로 해결할 수 있음을 보여줍니다. 그러나 공변량 변화 상황에서는 분포 내 (In-distribution) 데이터와 변화된 (Shifted) 데이터가 크게 중첩되어, 기존의 PU 방식들을 불안정하게 만들고 노이즈에 민감하게 만듭니다. 이러한 과제를 극복하기 위해, 우리는 시각적 특징 (Visual Features)의 국소 매니폴드 구조 (Local Manifold Structure)를 활용하여 변화된 데이터를 점진적으로 찾아내는 기하학 인지 프레임워크인 SPUNA (Spectral PU Neighborhood Annotation)를 소개합니다. 광범위한 실험을 통해 SPUNA가 PU 설정에서 최첨단 (State of the art) 성능을 달성하며, 완전 지도 학습 방식의 성능과 놀라울 정도로 일치함을 보여줍니다. 또한, 우리의 접근 방식은 다양한 유형의 변화에 걸쳐 강건하게 전이되어 강력한 일반화 (Generalization) 능력을 입증합니다.