In recent years, deep generative models have been largely dismissed for fully-supervised classification settings as they are often substantially outperformed by deep discriminative classifiers (e.g., softmax classifiers). In contrast to this common belief, this thesis shows that it is possible to formulate a simple generative classifier that is useful in detecting abnormal samples (i.e., novelty detection) and handling training samples with (incorrect) noisy labels without much sacrifice of the original discriminative per- formance with respect to in-distribution or/and clean labeled data. We believe that our approach have a potential to apply to many other related machine learning tasks, e.g., active learning, ensemble learning, and few-shot learning.
딥생성분류기는성능적인이슈로인하여딥분별분류기에비해많이사용되지않고있다. 하지만이 논문에서는 간단하게 딥 생성 분류기를 유도할 수 있는 방법을 제안하고 해당 모델이 노벌티 탐지 및 노이지 레이블을다루는데도움이될수있다는것을보였다. 다양한딥모델과데이터에서해당방법은분류성능은 비슷하게 유지하면서도 딥 분별 분류기를 크게 압도하였다. 우리는 제안한 방법이 엑티브 러닝, 앙상블 러닝 그리고 퓨삿 러닝과 같은 다양한 머신러닝 어플리케이션에서도 도움이 될 수 있을 거라 믿는다.
