BirdCLEF 2026: EoS9 Anchor 먼저 — OOF-Gated PCEN 보정은 그 다음

Posted May 30, 2026 Updated Jun 15, 2026

By Pilkwang Kim

25 min read

대회 링크:
BirdCLEF+ 2026

Kaggle 노트북 링크:
BirdCLEF 2026: EoS9 + OOF-Gated PCEN

BirdCLEF 2026 제출은 단순히 여러 음향 모델을 평균내는 문제가 아닙니다. row_id 하나는 soundscape의 짧은 시간 구간을 뜻하고, 각 열은 종 또는 분류군 하나를 뜻합니다. 열 수가 많고 라벨 간 상관도 복잡하기 때문에, 작은 확률 변화도 순위에는 의미 있게 작용할 수 있습니다. 반대로 근거가 약한 보조 모델을 전체에 섞으면, 잘 맞던 class까지 함께 망가질 수 있습니다.

그래서 이 구조의 핵심은 보수적입니다.

강한 EoS9 계열 anchor를 먼저 고정하고, 보조 모델은 OOF에서 도움이 된 class와 row에 대해서만 제한적으로 움직이게 한다.

전체 시스템은 세 층으로 나뉩니다.

층	역할
Anchor	공개 EoS9 계열 3-branch ensemble로 기본 제출을 만듭니다.
Taxonomy smoothing	가까운 분류군끼리 아주 약하게 정보를 나눕니다.
Sidecar correction	BirdNET과 PCEN/ConvNeXt를 보조 correction으로 붙이되, mask, OOF class weight, movement budget을 통과한 곳만 움직입니다.

활성 설정은 다음과 같습니다.

항목	값
`RUN_MODE`	`eos9_tax`
Anchor weights	`0.012` yukiZ, `0.021` PowerOptimization PSSM, `0.967` PowerOptimization EoS9
Main rank blend	`0.600` ProtoSSM rank + `0.400` SED rank
Taxonomy smoothing	genus `0.15`, class `0.05`
BirdNET sidecar	enabled, public dry-run에서는 row ID mismatch 시 anchor 유지
PCEN sidecar	enabled, `exp002b_5s`, fold `[0]`, OOF gate enabled
Final dry-run result	`3` rows, `235` columns, finite probabilities in `[0.461531, 0.529922]`

전체 원칙은 간단합니다.

anchor first, correction second, validation always

1. 제출 파이프라인

기본 anchor는 세 branch의 가중 평균입니다.

\[p_{\text{anchor raw}} = w_y p_{\text{yukiZ}} + w_p p_{\text{PSSM}} + w_s p_{\text{EoS9}}\]

가중치는 다음과 같습니다.

\[(w_y, w_p, w_s) = (0.012,\ 0.021,\ 0.967)\]

가장 큰 비중은 EoS9 / PowerOptimization 계열 branch에 둡니다. 이 branch 내부에서는 ProtoSSM과 distilled SED 예측을 확률값 그대로 섞지 않고, class별 rank 공간에서 섞습니다.

\[z = 0.60 \cdot R(p_{\text{ProtoSSM}}) + 0.40 \cdot R(p_{\text{SED}})\]

여기서 (R(\cdot))는 class별 percentile rank입니다. 확률값 자체가 같은 calibration이라고 보기 어렵기 때문에, raw probability보다 rank를 섞는 편이 더 안정적입니다. 즉, 질문을 이렇게 바꾸는 겁니다.

각 branch가 이 row에서 어떤 class를 상대적으로 위에 올려두는가?

direct blend 이후에는 taxonomy smoothing을 적용하고, 먼저 submission.csv를 씁니다. 그 다음에야 선택적으로 sidecar가 rank-space correction을 시도합니다.

branch CSVs -> direct anchor -> taxonomy smoothing -> submission_before_all_sidecars.csv
            -> optional sidecars -> final submission.csv

여기서 sidecar는 새로운 전체 ensemble 멤버가 아닙니다. 이미 만들어진 anchor를 국소적으로 보정하는 후처리 모듈입니다.

2. Anchor가 기준선이 되는 이유

EoS9 anchor는 이미 여러 종류의 강한 구조를 갖고 있습니다. 작은 보조 모델 하나가 한 번에 대체하기 어려운 요소들이 들어 있습니다.

Anchor 구성	역할
yukiZ Perch / ProtoSSM / ResidualSSM	낮은 비중으로 다양성을 더하는 Perch pretrained path입니다.
PowerOptimization PSSM branch	Karnakbayev PowerOptimization pipeline의 중간 branch입니다.
PowerOptimization EoS9 branch	ProtoSSM + distilled SED rank branch가 중심인 dominant path입니다.
Ecological priors	site/hour와 test prior를 이용해 plausible taxon의 순위를 보정합니다.
Temporal smoothing and continuity gates	단일 window spike를 줄이고 soundscape의 연속성을 반영합니다.
Rank-aware scaling	file-level high-confidence class에 추가 구조를 줍니다.

branch registry를 명시적으로 두는 것도 중요합니다.

Branch	Weight	Output File	역할
`yukiZ_Perch_ProtoSSM_ResSSM`	`0.012`	`subm_yukiz_perch_proto_res.csv`	작은 pretrained diversity
`Karnakbayev_PowerOptimization_PSSM`	`0.021`	`subm_karnakbayev_poweropt_pssm.csv`	중간 PSSM side branch
`Karnakbayev_PowerOptimization_EoS9`	`0.967`	`subm_karnakbayev_poweropt_sz2.csv`	dominant EoS9 rank branch

코드: 노트북 상단 control weight

  
RUN_MODE = "eos9_tax"

if RUN_MODE == "eos9_tax":
    YUKIZ_BLEND_WEIGHT = 0.012
    POWEROPT_PSSM_BLEND_WEIGHT = 0.021
    POWEROPT_SZ2_BLEND_WEIGHT = 0.967
elif RUN_MODE == "eos9_no_pssm":
    YUKIZ_BLEND_WEIGHT = 0.012
    POWEROPT_PSSM_BLEND_WEIGHT = 0.0
    POWEROPT_SZ2_BLEND_WEIGHT = 0.988
elif RUN_MODE == "poweropt_eos9_only":
    YUKIZ_BLEND_WEIGHT = 0.0
    POWEROPT_PSSM_BLEND_WEIGHT = 0.0
    POWEROPT_SZ2_BLEND_WEIGHT = 1.0

PROTO_RANK_WEIGHT = 0.600
SED_RANK_WEIGHT = 1.0 - PROTO_RANK_WEIGHT

assert abs(
    YUKIZ_BLEND_WEIGHT
    + POWEROPT_PSSM_BLEND_WEIGHT
    + POWEROPT_SZ2_BLEND_WEIGHT
    - 1.0
) < 1e-9
assert abs((PROTO_RANK_WEIGHT + SED_RANK_WEIGHT) - 1.0) < 1e-9

이렇게 하면 점수에 영향을 주는 knob이 상단에 드러납니다. 또 가중치 합이 1인지 assert로 확인하기 때문에, 실험을 반복하다가 가중치 조건이 슬그머니 깨지는 일을 막을 수 있습니다.

3. Taxonomy Smoothing

BirdCLEF label은 실제로 서로 독립적이지 않습니다. 같은 genus나 class에 속하거나, 비슷한 habitat와 acoustic confusion을 공유하는 종이 있습니다. Anchor가 이미 강한 class별 순서를 잡았더라도, 가까운 분류군끼리 약간의 정보를 나누는 게 도움이 됩니다.

Genus group (g)에 대해서는 다음 보정을 적용합니다.

\[p_c \leftarrow (1 - \alpha_g)p_c + \alpha_g \operatorname{mean}_{j \in g}(p_j)\]

더 넓은 class group (k)에 대해서도 같은 방식으로 약하게 보정합니다.

\[p_c \leftarrow (1 - \alpha_k)p_c + \alpha_k \operatorname{mean}_{j \in k}(p_j)\]

활성값은 다음과 같습니다.

\[\alpha_g = 0.15, \qquad \alpha_k = 0.05\]

Dry run에서는 taxonomy.csv에서 29개의 multi-species genus group과 4개의 multi-label class group이 만들어졌습니다.

이 단계는 acoustic model을 대체하지 않습니다. 대부분의 anchor score는 그대로 보존하고, 가까운 label에서 아주 조금만 evidence를 빌립니다.

anchor score는 대부분 유지한다.
관련 label끼리 약하게 정보를 나눈다.
최종 schema와 probability range는 다시 검증한다.

코드: taxonomy smoothing

  
def f_TAX_SMOOTHING_POSTPROC(f_direct=direct, genus_alpha=None, class_alpha=None):
    submission = f_direct()
    genus_alpha = TAX_GENUS_ALPHA if genus_alpha is None else float(genus_alpha)
    class_alpha = TAX_CLASS_ALPHA if class_alpha is None else float(class_alpha)

    taxonomy_path = _find_taxonomy_path_for_smoothing()
    if taxonomy_path is None:
        msg = "taxonomy.csv not found; TAX_SMOOTHING cannot be applied"
        if globals().get("TAX_SMOOTHING_REQUIRE", True):
            raise FileNotFoundError(msg)
        submission.index.name = "row_id"
        return submission

    tax = pd.read_csv(taxonomy_path)
    species_to_genus = {}
    species_to_class = {}
    for _, row in tax.iterrows():
        label = str(row.get("primary_label", ""))
        sci = str(row.get("scientific_name", ""))
        class_name = str(row.get("class_name", ""))
        genus = sci.split(" ")[0] if " " in sci else sci
        if label:
            species_to_genus[label] = genus
            species_to_class[label] = class_name

    probs = submission.to_numpy(dtype=np.float32, copy=True)

    for members in multi_genus.values():
        idx = [col_to_idx[m] for m in members]
        group_mean = probs[:, idx].mean(axis=1, keepdims=True)
        probs[:, idx] = (1.0 - genus_alpha) * probs[:, idx] + genus_alpha * group_mean

    for members in multi_class.values():
        idx = [col_to_idx[m] for m in members]
        group_mean = probs[:, idx].mean(axis=1, keepdims=True)
        probs[:, idx] = (1.0 - class_alpha) * probs[:, idx] + class_alpha * group_mean

    probs = np.clip(probs, 0.0, 1.0)
    return pd.DataFrame(probs, index=submission.index, columns=submission.columns)

4. Sidecar는 새 Anchor가 아니라 국소 보정입니다

활성화된 sidecar는 두 종류입니다.

Sidecar	상태	사용 목적
BirdNET v2.4	enabled	coverage가 있는 Aves label에 대한 보수적 correction
PCEN/ConvNeXt exp002b	enabled	class-wise OOF evidence가 있는 weak-audio correction

공통 수식은 다음과 같습니다.

\[A = R(p_{\text{anchor}}), \qquad S = R(p_{\text{sidecar}})\] \[B = A + W_{\text{class}} \cdot M \cdot (S - A)\]

각 기호의 의미는 다음과 같습니다.

기호	의미
(A)	taxonomy smoothing 이후 anchor rank
(S)	sidecar rank
(M)	움직임을 허용하는 boolean cell mask
(W_{\text{class}})	scalar 또는 class-wise correction weight
(B)	보정된 rank table

핵심은 sidecar가 anchor를 대체하지 않는다는 점입니다. Sidecar는 anchor가 만든 순위를 조금 움직일 뿐입니다.

Correction은 여러 guard를 통과해야 합니다.

Guard	목적
Top-k mask	Anchor나 sidecar가 이미 그럴듯하게 올려둔 class만 움직입니다.
Anchor threshold `tau`	Anchor가 낮게 본 class를 sidecar 혼자 끌어올리는 일을 막습니다.
OOF class gate	Offline replay에서 anchor에 도움을 준 class만 엽니다.
Movement budget `D`	Anchor에서 평균적으로 얼마나 멀리 움직일 수 있는지 제한합니다.
Top-3 / top-10 overlap	예측 상단부가 과하게 뒤집히지 않도록 합니다.
Schema validation	row 순서, class column, finite value, `[0, 1]` 범위를 확인합니다.

Perturbation budget은 다음과 같습니다.

\[D = \operatorname{mean}\left(\left|B - A\right|\right)\]

이번 PCEN sidecar 설정은 다음과 같습니다.

Knob	Value
`SIDECAR_EXP002_VARIANT`	`exp002b_5s`
`SIDECAR_EXP002_FOLDS`	`[0]`
`SIDECAR_EXP002_WEIGHT_CAP`	`0.030`
`SIDECAR_EXP002_D_BUDGET`	`0.004`
`SIDECAR_EXP002_ANCHOR_TOPK`	`48`
`SIDECAR_EXP002_SIDE_TOPK`	`32`
`SIDECAR_EXP002_TAU`	`0.55`
`SIDECAR_EXP002_GATE_CSV`	`exp002b_oof_gate.csv`
`SIDECAR_EXP002_USE_OOF_GATE`	`True`

Gate CSV는 notebook 바깥에서 OOF artifact를 replay하여 만듭니다. Class (c)마다 다음 값을 봅니다.

\[\Delta_c(w) = \operatorname{AUC}_c\left(A + wM(S-A)\right) - \operatorname{AUC}_c(A)\]

Masked blend가 shrinkage check 이후에도 안정적으로 양의 개선을 보인 class만 열립니다. 통과하지 못한 class는 gate_weight = 0이므로 anchor 그대로 남습니다.

코드: PCEN OOF gate weight 로딩

  
def _load_exp002_gate_weights(asset_root, class_cols):
    if not SIDECAR_EXP002_USE_OOF_GATE:
        return None
    gate_path = Path(asset_root) / str(SIDECAR_EXP002_GATE_CSV)
    if not gate_path.exists():
        if SIDECAR_EXP002_GATE_REQUIRE_FILE:
            raise FileNotFoundError(f"{SIDECAR_EXP002_LABEL} OOF gate CSV not found")
        return None

    gate = pd.read_csv(gate_path)
    assert "primary_label" in gate.columns
    assert "gate_weight" in gate.columns
    assert gate["primary_label"].is_unique

    weight_map = dict(zip(gate["primary_label"], gate["gate_weight"]))
    weights = np.array(
        [float(weight_map.get(str(col), 0.0)) for col in class_cols],
        dtype=np.float32,
    )
    weights = np.clip(weights, 0.0, float(SIDECAR_EXP002_GATE_MAX_WEIGHT))
    assert np.isfinite(weights).all()

    enabled_count = int((weights > 0).sum())
    if SIDECAR_EXP002_REQUIRE and enabled_count == 0:
        raise ValueError(f"{SIDECAR_EXP002_LABEL} OOF gate has zero enabled classes")
    return weights

5. PCEN/ConvNeXt Correction Logic

PCEN sidecar는 custom log-mel / PCEN ConvNeXt path입니다. 활성 variant는 exp002b_5s이고, 주요 설정은 다음과 같습니다.

Asset Field	Value
context seconds	`5.0`
target seconds	`5.0`
image time	`256`
timeout	`600` seconds
requested folds	`[0]`

PCEN은 anchor branch와 다른 신호를 볼 수 있다는 장점이 있습니다. Anchor는 Perch, ProtoSSM, distilled SED, prior correction, rank scaling에 크게 의존합니다. 반면 PCEN sidecar는 특정 weak audio pattern에서 anchor가 낮게 본 class를 국소적으로 보완할 수 있습니다.

다만 그만큼 위험도 큽니다. 그래서 아래와 같은 단순 전역 blend는 쓰지 않습니다.

p_final = 0.97 * p_anchor + 0.03 * p_pcen

대신 masked rank correction으로만 적용합니다.

코드: PCEN masked rank blend

  
def _exp002_masked_rank_blend(anchor_df, side_df, class_weights=None):
    assert anchor_df.index.equals(side_df.index)
    assert anchor_df.columns.equals(side_df.columns)

    A = _exp002_rank_cols(anchor_df).to_numpy(np.float32)
    S = _exp002_rank_cols(side_df).to_numpy(np.float32)
    mask = _exp002_topk_mask(A, SIDECAR_EXP002_ANCHOR_TOPK) | (
        _exp002_topk_mask(S, SIDECAR_EXP002_SIDE_TOPK)
        & (A >= float(SIDECAR_EXP002_TAU))
    )

    if class_weights is None:
        E = float(np.mean(mask * np.abs(S - A)))
        w_budget = 0.0 if E <= 1e-12 else float(SIDECAR_EXP002_D_BUDGET) / E
        w = min(float(SIDECAR_EXP002_WEIGHT_CAP), w_budget)
        B = A.copy()
        if mask.any() and w > 0:
            B[mask] = A[mask] + w * (S[mask] - A[mask])
    else:
        W = np.clip(class_weights, 0.0, float(SIDECAR_EXP002_GATE_MAX_WEIGHT))
        WW = np.broadcast_to(W[None, :], A.shape)
        B0 = A.copy()
        if mask.any() and W.max() > 0:
            B0[mask] = A[mask] + WW[mask] * (S[mask] - A[mask])
        D0 = float(np.mean(np.abs(B0 - A)))
        if D0 > float(SIDECAR_EXP002_D_BUDGET) and D0 > 1e-12:
            W = W * (float(SIDECAR_EXP002_D_BUDGET) / D0)

        WW = np.broadcast_to(W[None, :], A.shape)
        B = A.copy()
        if mask.any() and W.max() > 0:
            B[mask] = A[mask] + WW[mask] * (S[mask] - A[mask])

    D = float(np.mean(np.abs(B - A)))
    top3 = _exp002_topk_overlap(A, B, 3)
    top10 = _exp002_topk_overlap(A, B, 10)
    ok = (
        D > 0.0
        and active <= float(SIDECAR_EXP002_MAX_ACTIVE_FRACTION)
        and top3 >= float(SIDECAR_EXP002_MIN_TOP3_OVERLAP)
        and top10 >= float(SIDECAR_EXP002_MIN_TOP10_OVERLAP)
    )

이 코드는 좋은 competition principle 하나를 담고 있습니다.

전문 보조 모델은 class마다 anchor를 움직일 자격을 따로 얻어야 한다.

전역 blend는 sidecar가 전체적으로 calibration되어 있다고 가정합니다. OOF-gated masked rank correction은 더 약하고 현실적인 가정에서 출발합니다. Sidecar는 어떤 class에서는 좋고, 어떤 class에서는 해로울 수 있습니다.

6. BirdNET Sidecar

BirdNET도 같은 방식으로 조심스럽게 다룹니다. 모든 label을 움직이지 않습니다.

Group	Weight Cap
Perch mapping이 있는 covered Aves classes	`0.015`
Perch가 약하거나 mapping이 없는 covered Aves classes	`0.060`
non-bird classes	`0.000`

의도는 다음과 같습니다.

BirdNET이 직접 다룰 수 있는 조류 label에서만 사용한다.
Anchor의 직접 mapping이 약한 곳에서는 조금 더 큰 목소리를 준다.
Non-bird taxa는 anchor 그대로 둔다.

Public dry-run에서는 이 branch가 최종 제출을 바꾸지 않았습니다.

BirdNET row_id mismatch; keeping anchor submission. missing=3, extra=12
BirdNET sidecar elapsed: 2.1s

이 fallback은 의도된 동작입니다. Sidecar가 canonical submission row와 맞지 않으면, 부분적으로 어긋난 correction을 쓰는 대신 anchor를 유지해야 합니다.

7. Public Dry-Run 동작

Public 환경에서 보이는 output은 hidden test soundscape가 mount되지 않은 dry run입니다. 그래서 다음과 같은 일이 생깁니다.

Stage	Dry-Run Result
yukiZ branch	dry-run row에서 실행되고 `sample_submission.csv`에 align됩니다.
PowerOptimization PSSM branch	diagnostic과 intermediate CSV를 씁니다.
PowerOptimization EoS9 branch	dominant anchor CSV를 씁니다.
taxonomy smoothing	`taxonomy.csv`를 이용해 정상 적용됩니다.
BirdNET sidecar	row ID가 anchor row와 맞지 않아 skip됩니다.
PCEN sidecar	`test_soundscapes/*.ogg`가 보이지 않아 skip됩니다.
final output	taxonomy-smoothed anchor 그대로 유지됩니다.

Notebook output은 다음을 보고합니다.

Wrote submission.csv: rows=3, cols=235, min=0.461531, max=0.529922
final_D_vs_base_anchor: 0.0
final_top3_overlap_vs_base: 1.0
final_top10_overlap_vs_base: 1.0

Preview에서 movement가 0이라는 사실은 sidecar가 hidden test에서도 효과가 없다는 뜻이 아닙니다. Public dry run에 sidecar correction을 적용할 실제 soundscape input이 없었다는 뜻입니다. 실제 test run에서는 asset, row ID, class columns, OOF gate, movement diagnostics가 모두 통과할 때만 sidecar path가 실행됩니다.

8. 최종 제출 Writer와 안전 장치

최종 writer는 점수만큼 중요합니다. Kaggle 제출은 모델이 약해서가 아니라 submission.csv의 schema 문제가 슬그머니 섞여 실패하는 경우가 많습니다.

실패 유형	예시
row mismatch	sidecar가 다른 `row_id` set을 냅니다.
column mismatch	model class order가 `sample_submission.csv`와 다릅니다.
duplicate rows	merge 뒤 `row_id`가 중복됩니다.
invalid values	NaN, inf, `[0, 1]` 밖의 값이 생깁니다.
index leakage	`Unnamed: 0` column이 들어갑니다.

이 구조는 파일을 쓴 뒤 다시 읽어서 확인합니다.

코드: 최종 submission writer

  
def _align_to_sample_submission_if_possible(df):
    sample_path = _find_sample_submission_path()
    if sample_path is None:
        return df
    sample = pd.read_csv(sample_path)
    assert "row_id" in sample.columns
    assert sample["row_id"].is_unique
    sample_cols = sample.columns.tolist()
    missing_cols = [c for c in sample_cols if c not in df.columns]
    assert not missing_cols

    final_ids = set(df["row_id"])
    sample_ids = set(sample["row_id"])
    if final_ids == sample_ids:
        aligned = (
            df.set_index("row_id")
              .loc[sample["row_id"], sample_cols[1:]]
              .reset_index()
        )
        aligned.columns = sample_cols
        return aligned
    raise AssertionError("final row_id set differs from sample_submission")


def write_final_submission(pred, path="submission.csv"):
    df = _as_explicit_submission_table(pred)
    df = _align_to_sample_submission_if_possible(df)
    prob_cols = [c for c in df.columns if c != "row_id"]
    values = df[prob_cols].to_numpy(dtype=np.float32)
    assert np.isfinite(values).all()
    assert values.min() >= 0.0 and values.max() <= 1.0
    df.to_csv(path, index=False)

    check = pd.read_csv(path)
    assert check.columns.tolist() == df.columns.tolist()
    assert len(check) == len(df)
    assert check["row_id"].is_unique
    return df

이건 단순한 방어적 코딩이 아닙니다. Sidecar 실험을 안전하게 만드는 핵심 장치입니다. BirdNET, PCEN, taxonomy smoothing, branch alignment 중 하나라도 schema를 깨면, anchor를 유지하거나 명확히 실패하게 만듭니다.

9. Output을 읽는 법

긴 inference log보다 중요한 건 compact summary입니다.

Output	해석
Active model list	어떤 anchor branch가 실제로 기여하는지 확인합니다.
Weight table	outer blend weight 합이 1인지 확인합니다.
Sidecar overview	BirdNET과 PCEN이 active인지, 어떤 gate와 budget을 쓰는지 확인합니다.
Taxonomy smoothing printout	`taxonomy.csv`, genus group, class group, alpha 값을 확인합니다.
Branch diagnostics	row count, class count, min/max probability, duplicate row를 확인합니다.
Final preview	모든 correction 이후 실제 `submission.csv`를 보여줍니다.
Final delta summary	최종 rank가 pre-sidecar anchor에서 얼마나 움직였는지 확인합니다.

Public dry run에서의 핵심 흐름은 다음과 같습니다.

Anchor branches run -> taxonomy smoothing applies -> sidecars cannot match dry-run inputs -> final remains anchor.

이 fallback이 정상입니다. Public notebook은 재현 가능하게 유지하고, hidden-test path는 실제 soundscape가 있을 때만 sidecar를 적용할 준비를 합니다.

10. 구조가 주는 장점

가장 중요한 점은 역할 분리입니다.

책임	구현 방식
공개 anchor의 강점 유지	EoS9를 control path로 유지합니다.
생물학적 prior 추가	direct blend 이후 taxonomy smoothing을 적용합니다.
새 모델의 안전한 사용	sidecar를 전체 blend가 아니라 masked correction으로 둡니다.
rank 과이동 방지	`D` budget과 top-k overlap check를 둡니다.
offline evidence 사용	class-wise OOF gate weight를 사용합니다.
제출 형식 보호	final writer에서 schema와 range를 확인합니다.

이 구조에서는 실험 결과를 해석하기도 쉽습니다. PCEN sidecar가 좋아지면 anchor 변경 때문이 아니라 sidecar correction 때문입니다. 반대로 나빠지면 active cell이 너무 많았는지, rank movement가 컸는지, OOF gate가 약했는지, row alignment가 깨졌는지를 따로 볼 수 있습니다.

전체 구조를 한 줄로 쓰면 다음과 같습니다.

fixed anchor
    + controlled taxonomy prior
    + class gate를 통과한 sidecar correction
    + strict final validation

11. 참고 노트북

Reference	여기서의 역할
F.A.Nina, birdclef-2026-eos-9	primary EoS9 anchor structure
Karnakbayev Artur, power-optimization	PowerOptimization branch and validation style
yukiZ, Perch + ProtoSSM + ResSSM	low-weight pretrained diversity branch
Tucker Arrants, BC2026 Distilled SED	distilled SED ONNX branch
custom `exp002` / `exp002b` assets	optional PCEN/log-mel ConvNeXt sidecars

12. 이 구조가 세우는 원칙

BirdCLEF 같은 high-dimensional multilabel audio competition에서는 새 모델을 많이 붙이는 것보다, 새 모델이 움직일 수 있는 범위를 잘 제한하는 편이 더 중요합니다.

이 구조는 다음 원칙을 세웁니다.

강한 EoS9 계열 path를 anchor로 둡니다.
Taxonomy smoothing은 작고 해석 가능한 biological prior로만 사용합니다.
보조 모델은 조건 없이 섞는 ensemble member가 아니라 local rank correction으로 씁니다.
OOF gate를 통해 offline evidence가 있는 class만 움직입니다.
최종 writer에서 row, column, finite value, range, duplicate를 끝까지 확인합니다.

결과적으로 PCEN/ConvNeXt와 BirdNET evidence를 붙일 수 있지만, 모든 움직임은 mask, class gate, perturbation budget을 통과해야 합니다.

마지막 요지는 이렇습니다.

큰 multilabel audio table에서 새 모델을 가장 안전하게 쓰는 방법은 모든 곳에 섞는 것이 아닙니다. 충분한 근거가 있는 곳에서만 움직이게 하는 것입니다.

AI, Kaggle

This post is licensed under CC BY 4.0 by the author.

BirdCLEF 2026: EoS9 Anchor 먼저 — OOF-Gated PCEN 보정은 그 다음

1. 제출 파이프라인

2. Anchor가 기준선이 되는 이유

3. Taxonomy Smoothing

4. Sidecar는 새 Anchor가 아니라 국소 보정입니다

5. PCEN/ConvNeXt Correction Logic

6. BirdNET Sidecar

7. Public Dry-Run 동작

8. 최종 제출 Writer와 안전 장치

9. Output을 읽는 법

10. 구조가 주는 장점

11. 참고 노트북

12. 이 구조가 세우는 원칙

Trending Tags