As the importance of data continues to grow, out of distribution detection is becoming increasingly crucial in various fields. In this thesis, we aim to address the escalating significance of anomaly detection within the context of realistic scenarios. Specifically, we focus on a methodology that utilizes a semi-supervised learning model for anomaly detection. Additionally, we explore approaches to enhance detection performance through fine-tuning when provided with a limited amount of out of distribution data.
데이터의 중요도가 높아지는 가운데 이상탐지는 다양한 분야에서에서 중요도가 더욱더 커지고 있다. 본 학위논문에서는 현실적인 시나리오로서 반지도 학습 모델을 활용한 이상탐지 방법론과 소량의 이상탐지 데이터가 주어졌을때 이를 활용하여 미세조정을 통해 탐지성능을 끌어올리는 방법론을 다루고자 한다.
