Diffusion 모델을 활용한 테스트 데 이 터 확장 방안

Abstract

본 연구는 딥러닝 기반 이미지 분류 모델의 신뢰성을 강화하기 위해 Diffusion 모델을 활용하여 테스트 데이터를 확장하는 방안을 제안한다. 딥러닝 모델의 예측 오류를 검증하는 기존 방법은 실제 데이터 수집의 한계로 인해 발생 빈도가 낮은 희귀 샤례를 포괄하지 못한다. 이에 본 연구는 Diffusion 모델을 사용하여 의미론적으로 변형된 합성 이미지를 생성하고, 이를 통해 기존 테스트 데이터로는 발견할 수 없는 잠재적 오류를 탐지햐고자 한다. 연구의 핵심 가설은 Diffusion 모델을 활용하여 의미론적 변형을 수행한 합성 이미지들이 인간 펑갸 결과와 불일치햐는 섀로운 유형의 오분류를 유발할 가능성이 있다는 것이다. 이룰 검증하기 위해 Diffusion 모델로 변형된 이미지를 딥러닝 모델에 적용하고, CLIP 접수와 FID를 이용하여 픔질 및 타당성을 평가한다. 또한, 인간 평가자와 비교하여 모델의 오류 유형을 분석한다. 해당 연구는 Diffusion 모델이 기촌의 데스트 데이터 확장 기법보다 더 의미론적으로 깊은 변형을 수행할 수 있음을 실험을 통해 증명하고자 한나. 연구 결과는 딥러닝 모델의 검증 벙위를 확장햐여 안전성과 신뢰성을 확보햐는 데 기여할 것으로 기대된다.