본 논문은 테스트 데이터에 훈련 데이터에 없는 구조적 특징이 나타나는 공변량 분포 이동(Covariate distribution shift) 문제를 해결하기 위해, 잠재 공간의 풍부한 정보를 활용하는 MPAIACL (More Powerful Adversarial Invariant Augmentation using Contrastive Learning) 방법을 제안한다. MPAIACL은 대조 학습(Contrastive Learning)을 사용하여 벡터 표현의 잠재력을 최대한 활용하며, 다양한 공개 OOD 데이터셋에서 기존 방법론 대비 우수한 성능을 보인다.
