본 논문은 심층 신경망(DNN)의 분포 외 데이터에 대한 취약성을 해결하기 위해 스타일 혼란 요인을 명시적으로 고려하는 새로운 도메인 일반화 방법인 스타일 혼란 제거 인과 학습(SDCL) 프레임워크를 제안합니다. SDCL은 구조적 인과 모델(SCM)을 구축하고 역문 제거 전략을 적용하여 스타일의 영향을 고려합니다. 또한, 스타일 안내 전문가 모듈(SGEM)을 통해 스타일 분포를 적응적으로 클러스터링하고, 역문 인과 학습 모듈(BDCL)을 통해 특징 추출 과정에서 인과적 개입을 수행하여 스타일 편향을 줄입니다. 다양한 자연 이미지 및 의료 이미지 인식 작업에 대한 실험을 통해 다중 도메인 및 단일 도메인 일반화 시나리오 모두에서 우수한 성능을 보임을 검증합니다.
시사점, 한계점
•
시사점:
◦
스타일 혼란 요인을 명시적으로 고려하여 도메인 일반화 성능을 향상시키는 새로운 프레임워크(SDCL) 제시.
