본 논문은 훈련된 시선 추정 모델을 새로운 대상 도메인으로 일반화하기 위해 개발된 Cross-domain Gaze Estimation (CDGE)에 대해 다룹니다. 기존 CDGE 방법론의 한계를 지적하고, Generalized Label Shift (GLS) 이론을 기반으로 새로운 관점을 제시합니다. 라벨 및 조건부 시프트 문제를 통해 크로스 도메인 문제를 모델링하고, truncated Gaussian 분포 기반의 중요도 재가중 전략을 도입하여 라벨 시프트 보정을 위한 GLS correction framework를 제안합니다. 또한, 조건부 불변 학습을 위해 조건부 연산자 불일치에 대한 확률 인식 추론을 개발합니다. 다양한 backbone 모델을 사용한 표준 CDGE 작업에 대한 실험을 통해 제안된 방법론의 우수한 일반화 성능과 다양한 모델에 대한 적용 가능성을 검증합니다.
