본 논문은 도메인 일반화 문제, 특히 훈련 소스 도메인과 보이지 않는 타겟 도메인 간의 통계적 차이로 인한 분포 이동 문제를 해결하기 위해 제안되었다. 기존의 1차 메타 학습 알고리즘은 기울기 매칭 이론을 활용하여 각 소스 도메인에 대한 과적합을 줄이고 균형 잡힌 파라미터를 확보함으로써 강력한 성능을 보여준다. 하지만 본 논문은 기울기 매칭을 달성하는 방향이 여러 개 존재하며, 기존 방법들은 그중 하나의 가능성만을 고려한다는 점을 밝힌다. 기존 방법들은 균형 잡힌 파라미터가 각 소스 도메인의 최적 파라미터의 중심에 가까워야 한다는 중요한 요소를 간과한다. 이를 해결하기 위해, 본 논문은 산술 가중 기울기를 사용한 간단하면서도 효과적인 산술 메타 학습을 제안한다. 이 방법은 기울기 매칭 원칙을 준수하면서 도메인별 최적 파라미터 사이의 중심을 추정하여 보다 정확한 균형을 유도한다. 실험 결과는 제안된 전략의 효과를 검증한다.
