본 연구에서는 입력 X의 컨텍스트에 대한 정보가 새로운 도메인에서 딥러닝 모델의 예측을 개선할 수 있는 조건을 분석한다. 도메인 일반화(DG)에서 마지널 전이 학습에 대한 연구를 바탕으로, 컨텍스트를 입력과 동일한 도메인에서 유래한 데이터 포인트 집합의 순열 불변 표현으로 공식화한다. 본 연구는 이 접근 방식이 이론적으로 이점을 얻을 수 있는 조건을 이론적으로 분석하고, 실제에서 쉽게 검증할 수 있는 두 가지 필요한 기준을 제시한다. 또한, 마지널 전이 학습 접근 방식이 견고함을 약속하는 분포 이동의 종류에 대한 통찰력을 제공한다. 실험 분석을 통해 제시된 기준이 유리한 시나리오와 불리한 시나리오를 구별하는 데 효과적임을 보여준다. 마지막으로, 모델이 OOD(out-of-distribution) 도메인에서 부당한 외삽을 수행하는 시나리오를 안정적으로 감지하여 잠재적인 실패 사례를 식별하고, 예측 성능과 견고성 간의 잘 알려진 trade-off를 피하면서 가장 예측적이고 가장 견고한 모델을 선택하는 방법을 제시한다.
