적대적 상호 점 학습을 통한 개방 집합 인식

개방 집합 인식(OSR)은 보이는 클래스를 동시에 분류하고 보이지 않는 클래스를 '알 수 없음'으로 식별하는 것을 목표로 하며, 신뢰할 수 있는 머신 러닝에 필수적입니다. OSR의 주요 도전 과제는 레이블이 붙은 알려진 데이터에 대한 경험적 분류 위험과 잠재적인 알 수 없는 데이터에 대한 개방 공간 위험을 동시에 줄이는 방법입니다. 이 문제를 해결하기 위해 우리는 다중 클래스 통합 관점에서 개방 공간 위험 문제를 공식화하고, 상호 점이라는 새로운 개념으로 미사용 초과 클래스 공간을 모델링합니다. 이로써 'Adversarial Reciprocal Point Learning (ARPL)'이라는 새로운 학습 프레임워크가 제안되어 알려진 분포와 알 수 없는 분포의 중복을 최소화하면서 알려진 분류 정확도 손실 없이 수행됩니다. 구체적으로, 각 상호 점은 해당하는 알려진 범주와 함께 초과 클래스 공간에서 학습되며, 여러 알려진 범주 간의 대결이 경험적 분류 위험을 줄이는 데 활용됩니다. 그런 다음, 상호 점에 의해 구성된 잠재적 개방 공간을 제한해서 개방 공간 위험을 줄이기 위한 적대적 마진 제약이 제안됩니다. 개방 공간에서 알 수 없는 분포를 추가로 추정하기 위해, 상호 점과 알려진 클래스 간의 적대적 메커니즘을 기반으로 다양한 혼란스러운 훈련 샘플을 생성하기 위한 인스턴스화된 적대적 강화 방법이 설계되었습니다. 이는 모델의 알 수 없는 클래스 구별 가능성을 효과적으로 향상시킬 수 있습니다. 다양한 벤치마크 데이터셋에 대한 광범위한 실험 결과는 제안된 방법이 기존의 다른 접근 방법에 비해 상당히 우수하며 최첨단 성능을 달성함을 나타냅니다. 코드는 github.com/iCGY96/ARPL에 공개되었습니다.