본 논문은 딥러닝 모델에서 데이터셋의 편향으로 인해 과업 관련 신호 대신 허위 상관관계를 활용하는 문제를 해결하기 위해 표준 반인과 모델(SAM)을 제시합니다. SAM은 편향 메커니즘을 특징짓고 인과적 안정성을 위한 조건부 독립 기준을 제공하는 통합 인과 프레임워크입니다. 이 이론을 바탕으로, 블랙박스 모델에서 독립성 규제를 가능하게 하는 효율적이고 확장성 있는 조건부 거리 상관 관계 추정기인 DISCO$_m$과 sDISCO를 제안합니다. 다섯 가지 다양한 데이터셋에서 본 논문의 방법론은 기존의 편향 완화 기법보다 성능이 우수하거나 비슷하며, 더 적은 하이퍼파라미터를 필요로 하고 다중 편향 시나리오로 원활하게 확장됩니다. 본 연구는 인과 이론과 실용적인 딥러닝을 연결하여 견고한 예측을 위한 원칙적인 기반과 효과적인 도구를 모두 제공합니다.
