본 논문은 분자 예측 모델의 주요 한계점인 훈련 데이터에 관찰된 구조에 대한 의존성으로 인한 분포 외 화합물에 대한 일반화 성능 저하 문제를 해결하고자 제안되었다. 특히 약물 발견 분야에서 훈련 세트를 벗어난 화합물이 연구 발전에 중요하지만, 이러한 편향은 상당한 공변량 이동을 야기하여 표준 심층 학습 모델의 예측이 불안정하고 부정확해지는 문제를 발생시킨다. 또한 실험적 검증의 어려움과 비용으로 인한 표지 데이터 부족은 신뢰할 수 있는 일반화 달성을 더욱 어렵게 한다. 이를 해결하기 위해 본 논문에서는 비표지 데이터를 활용하여 분포 내(ID) 및 분포 외(OOD) 데이터 간을 보간하는 새로운 메타 학습 기반 접근 방식을 제안한다. 이를 통해 모델은 훈련 분포를 넘어 일반화하는 방법을 메타 학습할 수 있다. 실험 결과, 상당한 공변량 이동을 보이는 어려운 실제 데이터 세트에서 최첨단 방법보다 성능이 크게 향상됨을 보여준다.
