이번 세미나는 학습 단계에서 정상 이미지만 활용하기 때문에 이상 라벨이 없는 것이 특징인 Unsupervised Anomaly Detection(UAD)에서 하이퍼 파라미터를 자동으로 최적화하기 위한 새로운 평가지표인 RTM, EAG, NPD를 제안한 “AutoUAD: Hyper-parameter Optimization for Unsupervised Anomaly Detection”라는 논문에 대한 발표를 중심으로 진행되었습니다. 해당 논문에서는 Validation Set과 Ground Truth를 통해 직접적인 성능 측정이 가능한 지도 학습과는 다르게 UAD 학습 환경에서는 레이블이 없기 때문에 불가능하며, 이 레이블 없이 모델이 얼마나 잘 학습되었는지를 추정할 수 있는 함수인 Surrogate Metric으로 RTM과 EAG, NPD를 제안합니다. 특히 NPD가 좋은 성능을 보였는데, 이는 학습 데이터에서 분리한 Validation Set과 학습 데이터의 통계 값에 기반해 샘플링한 Generated Set을 구성한 후 이 두 분포가 얼마나 차이가 나는지를 비교하는 방식으로 성능을 추정합니다. 이번 발표를 통해 Surrogate Metric을 통해 성능을 추정한다는 개념을 처음 접했는데, 레이블이 없는 대량의 데이터를 확보하고 이를 통해 학습할 수 있다는 UAD의 장점은 그대로 유지하면서 지도 학습이 가지는 확실한 Supervision의 장점을 잘 융화시킨 좋은 연구라는 생각이 들었습니다. 좋은 발표 해주셔서 감사합니다.

금일 세미나는 AD 태스크에서 학습 및 validation 시 abnormal 데이터가 확보할 수 없는 상황에서도 하이퍼파라미터를 최적화하는 방법론을 제안한 AutoUAD: Hyper-parameter Optimization for Unsupervised Anomaly Detection을 중심으로 진행되었습니다. AD 태스크는 실제 추론 시에만 Anomaly가 존재하는 가정으로 인해 학습 시점에서 최적의 학습 하이퍼파라미터를 설정하는 것이 매우 어렵습니다. 이에 대해 해당 연구에서는 좋은 AD 모델일 수록 score distribution이 가져야 하는 성질을 3가지로 정의하고, 각각을 지표로 제안하여 모델 성능의 프록시 값으로 사용하고 있습니다. 실제로 학습된 모델의 성능을 확인해보면 많은 데이터에서 도달가능한 최대 성능에 가까운 모습을 보이고 있고, 이전 방법론이나 단순 하이퍼파라미터 설정보다 월등히 높은 성능을 보여주었습니다. 특히나 단순 성능 뿐만 아니라 타 방법론 대비 빠른 평가 속도를 보여주면서 실제 활용성 역시 높은 것을 알 수 있었습니다. 전반적으로 AD 태스크에서 발생하는 중요한 문제를 직관적으로 해결할 수 있는 방법론을 제안한 논문이었던 것 같습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 "AutoUAD: Hyper-parameter Optimization for Unsupervised Anomaly Detection" 라는 주제로 진행되었습니다. 비지도 이상 탐지(UAD)에서 라벨 없이 모델 성능을 객관적으로 비교·최적화할 수 있는 Surrogate Metric 세 가지(RTM, EAG, NPD)를 제안하고, Bayesian Optimization과 결합해 모델/하이퍼파라미터 선택을 자동화하는 AutoUAD 프레임워크를 구축한 점이 매우 인상적이었습니다. 특히 NPD는 학습 데이터의 통계만을 활용해 생성한 pseudo-anomaly 집합과 validation set 간 anomaly score 차이로 모델의 일반화력을 정량화하는데, 이론적으로 모델 오류율 상한을 보장한다는 점이 연구적 완성도를 높였습니다. 전체적으로, AutoUAD 프레임워크는 비지도 anomaly detection 환경에서 모델 선택과 최적화의 난제를 극복하기 위한 실용적이면서 이론적으로도 탄탄한 접근이라는 점에서 큰 시사점이 있었으며, 발표 자료도 개념-수식-실험 흐름이 잘 정리되어 이해에 도움을 많이 받았습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 "AutoUAD: Hyper-parameter Optimization for Unsupervised Anomaly Detection" 논문에 대해 소개해주셨습니다. 해당 논문은 비지도 이상 탐지에서 제기되던 라벨 없이 모델 성능을 어떻게 비교하고, 또 하이퍼파라미터를 어떻게 최적화할 수 있을까 라는 근본적인 문제를 다루고 있어서 매우 흥미로웠습니다. 기존 연구들이 메타러닝이나 이상치 비율 가정처럼 준지도적인 정보를 활용했다면, 이 논문은 RTM, EAG, NPD라는 새로운 surrogate metric을 제안함으로써 비지도 환경에서도 성능 추정을 가능하게 한 점이 인상 깊었습니다. 특히 NPD는 단순한 heuristic이 아니라, 학습 데이터 기반 synthetic Gaussian 샘플과 validation 분포의 차이를 활용하면서 이론적으로도 오류율 상한을 만족한다는 보장을 제공했습니다. 또 Bayesian Optimization과 결합해 실제로 다양한 데이터셋과 모델에서 성능 향상을 보여주었다는 점도 실용적인 기여라고 느껴졌습니다. 전반적으로 UAD 분야의 중요한 난제를 다루면서, 이론적 엄밀성과 실험적 검증을 모두 갖춘 연구라는 점에서 인상 깊었습니다. 좋은 발표 감사합니다!

이번 세미나에서는 “AutoUAD: Hyper-parameter Optimization for Unsupervised Anomaly Detection” 논문을 중심으로, 비지도 이상 탐지에서 라벨 없이도 모델과 하이퍼파라미터를 자동으로 최적화하는 방법을 소개해주셨습니다. 본 연구는 이상 탐지에서 가장 큰 어려움인 ‘정답 라벨 부재’ 문제를 해결하기 위해, 내부 평가 지표를 활용한 자동 탐색 프레임워크를 제안했습니다. 발표에서는 relative-top-median, expected-anomaly-gap, normalized pseudo discrepancy(NPD) 등의 지표를 활용해 모델의 일반화 성능을 추정하는 방법을 설명하셨습니다. 특히 NPD는 데이터의 이상 점수 분포를 가우시안 노이즈 기반 검증 세트와 비교함으로써 모델 성능을 간접적으로 평가할 수 있다는 점이 인상적이었습니다. 또한, 이러한 지표를 베이지안 최적화와 결합하여 모델별 최적 설정을 자동 탐색하는 AutoUAD 프레임워크를 구축함으로써, 비지도 환경에서도 안정적이고 효율적인 모델 선택이 가능함을 보여주셨습니다. 이번 발표는 실제 이상 탐지 시스템의 자동화 가능성을 잘 보여준 흥미로운 주제였습니다. 좋은 발표 감사합니다!