연구진은 딥러닝 모델의 Hessian 스펙트럼 구조를 분석하여 클래스별 정확도를 재조정하는 Spectral Surgery 방법을 제안했습니다. 이 방법은 모델 재학습 없이도 클래스별 정확도를 향상시킬 수 있습니다.
Spectral Surgery는 각 클래스의 정확도 변화에 따른 스파이크 고유벡터의 민감도를 측정하고, 약한 클래스를 타겟하면서 강한 클래스를 보존하는 제약 조건 최적화를 사용합니다.
CIFAR-10 및 ISIC-2019 데이터셋에서 Spectral Surgery는 균형 잡힌 정확도와 표준편차 모두에서 긍정적인 결과를 보여주었습니다.