연구진은 머신러닝 모델의 신뢰성 확보를 위해 Out-of-Distribution(OOD) 데이터 탐지 전략을 연구했어요.
OOD 데이터 탐지 방법 중 효율성을 높이기 위해 손실 함수 곡률을 활용하는 방법이 있지만, 계산 비용이 높고 가정에 의존한다는 한계가 있었어요.
연구진은 OOD 데이터가 ID 데이터보다 Hessian 곡률이 크다는 점에 착안하여, Fold라는 경량화된 OOD 탐지기를 제안하고, AutoFold라는 자체적인 튜닝 방식을 통해 성능을 향상시켰어요.