웨이퍼 빈 맵은 웨이퍼 내 칩들의 불량 여부를 이진 값으로 표현한 이미지 데이타로 불량 칩들의 분포에 따라 다양한 결함들로 분류된다. 웨이퍼 빈 맵의 결함 패턴을 정확히 분류하는 것은 수율 감소의 원인이 되는 이상 공정에 대한 정보를 제공할 수 있어, 웨이퍼 빈 맵 결함의 분류 성능을 높이고자 하는 연구가 많이 진행되어 왔다. 하지만, 실제 제조현장에서는 엔지니어의 수작업 분류로 인해 불확실성이 높은 상황으로, 레이블의 불확실성은 고성능의 웨이퍼 빈 맵 분류 시스템 개발을 어렵게 만드는 주된 원인 중 하나였다. 이에 따라, 우리는 여러 결함 패턴을 보유한 클래스를 여러 그룹으로 세분화 하고, 새로운 결함 패턴의 등장에 따라 신규 클래스를 생성하며, 미확인 결함의 웨이퍼 빈 맵을 탐지하는 클래스 레이블 재구성 방법을 제시한다. 제안 방법은 클래스 레이블 재구성 정보를 반영한 샴 네트워크의 차별적 특징 학습과 학습된 특징 공간상에서의 가우시안 평균 군집화 기반의 클래스 레이블 재구성을 교차 반복 학습한다. 우리는 실제 반도체 제조 공정에서 수집된 웨이퍼 빈 맵 데이터를 이용하여 제안 방법을 검증하였다. 훈련 데이터에 오분류된 클래스 레이블이 있는 상황에서, 제안 방법은 잘못 분류된 샘플이 자신의 실제 클래스 레이블을 찾아가도록 하여 테스트 데이터에 대한 분류 정확도를 증가시킬 수 있었다. 이에 따라, 제안 방법은 클래스 레이블의 30%가 오염된 상황에서 이미지 분류에 특화된 분류 모델인 합성곱 신경망에 비해서도 7.8% 높은 정확도를 보였다. 또한, 제안 클래스 레이블 재구성을 통해 우리는 기존에 알려지지 않은 혼합형 결함의 클래스가 있음을 확인할 수 있었으며, 평균 73% 이상의 높은 정확도로 학습에 사용되지 않은 새로운 유형의 미확인 결함을 탐지할 수 있었다.