본 논문은 AI에서 예측 성능을 보장하는 기본적인 과제, 즉 미지의 영역에서 이루어지는 예측에 대한 성능 보장을 다룹니다. 새로운 데이터 분포에 대한 불확실성과 기존 예측 변수의 성능 변동성이 클 수 있다는 점을 고려하여, 부분적 식별 및 전이 가능성 이론을 기반으로, 소스 도메인의 데이터와 인과 다이어그램으로 인코딩된 데이터 생성 메커니즘에 대한 가정을 고려하여 목표 분포의 함수 값(예: 분류기의 일반화 오류)을 경계짓는 새로운 결과를 제시합니다. 기존의 매개변수화 기법(예: 신경 인과 모델)을 적용하여 집단 간 추론에 필요한 구조적 제약 조건을 인코딩함으로써 전이 가능성 문제에 대한 최초의 일반적인 추정 기법을 제공하는 것이 본 논문의 기여입니다. 이 절차의 표현력과 일관성을 실험을 통해 입증하고, 실제로 확장 가능한 추론을 위한 기울기 기반 최적화 기법을 제안합니다. 실험 결과를 통해 연구 결과를 뒷받침합니다.
