본 논문은 딥 뉴럴 네트워크가 훈련 데이터에 존재하는 허위 상관관계에 의존하여 실제 환경에서 오작동하는 문제를 다룬다. 기존 연구들은 허위 신호가 핵심 신호보다 훨씬 강한 경우에 초점을 맞췄지만, 본 논문은 허위 신호가 상대적으로 약하지만 치명적인 결과를 초래하는 새로운 설정을 제시한다. 특히, 허위 특징을 포함하는 소수의 샘플만이 허위 상관관계 학습에 주로 기여한다는 사실을 발견하고, 이러한 샘플을 포함하는 작은 부분집합을 식별하고 제거하는 새로운 데이터 가지치기 기법을 제안한다. 이 기법은 도메인 지식, 샘플별 허위 정보의 존재 여부 또는 특성에 대한 정보, 또는 인간의 개입 없이 작동하며, 기존의 허위 정보 식별 가능한 설정에서 최첨단 성능을 달성함을 보여준다.
