연구진은 소량 데이터 환경에서 의료 영상 분류를 위한 확산 모델 기반 데이터 증강의 효과를 높이기 위해 클래스 대비 영향(C2I)이라는 새로운 기준을 제시했어요. C2I는 생성된 샘플이 분류기에 미치는 영향력을 측정하며, 클래스 내 검증 데이터의 기울정과 반대되는 기울정을 가진 샘플이 효과적이라고 판단해요. 연구 결과, C2I 기반 데이터 증강은 기존 확산 모델 기반 증강 방식보다 의료 영상 분류 정확도와 강건성을 향상시키는 것으로 나타났어요.
C2I는 분류 경계를 명확히 하고 강건성을 높이는 데 중요한 역할을 하는 어려운, 경계 근처의 예시를 식별하는 데 활용돼요. 연구진은 C2I를 기반으로 강화 학습을 통해 확산 모델을 미세 조정하여 클래스 정보를 담은 샘플을 생성하도록 유도했어요.
C2I 기반 데이터 증강은 이미지 품질보다 작업 유용성에 의해 합성 데이터 증강이 가장 효과적임을 보여주며, 여러 의료 영상 벤치마크에서 기존 방식보다 우수한 성능을 보였어요.