본 논문은 심층 학습에서 분포 외(Out-of-Distribution, OoD) 일반화 문제를 해결하기 위해 새로운 EiHi 네트워크를 제안합니다. EiHi 네트워크는 어떤 시각적 백본에도 적용 가능한 모델 학습 패러다임으로, 기존 심층 모델의 학습 방식(유도적 샘플 특징과 해당 범주 간의 상관관계 찾기)을 변화시킵니다. 이는 결정적이지 않은 특징과 레이블 간의 가짜 상관관계 문제를 해결하기 위함입니다. SimCLR과 VIC-Reg를 융합하여 원본-긍정-부정 샘플 쌍을 최소 학습 요소로 명시적이고 동적으로 설정함으로써, 심층 모델이 특징과 레이블 간의 인과 관계에 가까운 관계를 반복적으로 설정하고 가짜 상관관계를 억제합니다. 제안된 모델을 검증하고 확립된 인과 관계를 강화하기 위해, 소량의 안내 샘플을 사용하는 인간-루프 전략을 개발하여 표현 공간을 직접적으로 가지치기합니다. 결과적으로, 개발된 EiHi 네트워크는 어떠한 도메인 정보(예: 배경, 무관한 특징) 없이도 가장 어렵고 전형적인 OoD 데이터셋인 Nico에서 기존 최첨단 결과보다 상당한 성능 향상을 보입니다.
