본 논문은 레이블이 없는 환경에서 불변 위험 최소화(IRM)를 위한 새로운 비지도 학습 프레임워크를 제안합니다. 기존 IRM 방법은 환경 간 분포 변화에 강건한 표현을 학습하기 위해 레이블이 있는 데이터에 의존하는 반면, 본 연구는 특징 분포 정렬을 통해 불변성을 재정의하여 레이블이 없는 데이터로부터 강건한 표현 학습을 가능하게 합니다. 이 프레임워크 내에서 두 가지 방법, 즉 가우시안 가정하에 불변 방향을 추출하는 선형 방법인 주성분 불변 분석(PICA)과 환경 불변 및 환경 의존 잠재 요인을 분리하는 심층 생성 모델인 변분 불변 오토인코더(VIAE)를 제시합니다. 본 연구는 새로운 "비지도" 구조적 인과 모델을 기반으로 하며 환경 조건부 샘플 생성 및 개입을 지원합니다. 합성 데이터 세트와 수정된 MNIST 버전에 대한 실험적 평가는 레이블에 접근하지 않고도 불변 구조를 포착하고, 관련 정보를 보존하며, 환경 간에 일반화하는 데 있어 제안된 방법의 효과를 보여줍니다.
