기존의 머신러닝 모델들은 훈련 데이터와 다른 데이터 분포에 배포될 때 성능이 저하되는 문제를 겪는다. 본 논문은 기존의 검증 방식과는 달리, 높은 In-distribution(ID) bias가 더 나은 Out-of-distribution(OOD) generalization으로 이어질 수 있음을 보여준다. Adaptive Distribution Bridge(ADB) 프레임워크는 훈련 중 제어된 통계적 다양성을 도입하여 모델이 다양한 분포에서 효과적으로 일반화되는 bias profile을 개발하도록 한다. 실험 결과, 높은 ID bias는 낮은 OOD error와 강력한 음의 상관관계를 보이는 것을 확인했는데, 이는 검증 오류 최소화에 초점을 맞춘 표준 관행과 상반되는 결과이다. 여러 데이터셋에 대한 평가 결과, 제안된 방법은 OOD generalization을 상당히 향상시키며, 기존 교차 검증과 비교하여 최대 26.8%의 평균 오류 감소를 달성하고, 74.4%를 초과하는 백분위수 순위를 보이는 등 일관되게 고성능 훈련 전략을 식별하는 것으로 나타났다. 본 연구는 일반화를 개선하기 위한 실용적인 방법과 강력한 머신러닝에서 bias의 역할을 재고찰하기 위한 이론적 프레임워크를 모두 제공한다.
