본 논문은 학습 및 테스트 데이터셋 간의 분포 변화 하에서 강건한 모델을 학습하는 문제를 다룹니다. 기존의 불변 특징 학습 방법은 학습 및 테스트 세트 모두에서 불변 특징이 완전히 관측된다는 가정 하에 있으나, 실제로는 이러한 가정이 자주 위배됩니다. 따라서 테스트 세트에 없는 불변 특징에 의존하는 모델은 새로운 환경에서 강건성이 저하될 수 있습니다. 이 문제를 해결하기 위해, 본 논문은 하나의 특징에 의존하는 대신 불변 특징의 충분한 부분 집합을 학습하는 새로운 학습 원칙인 충분 불변 학습(SIL) 프레임워크를 제시합니다. 기존 불변 학습 방법의 한계를 보여준 후, 환경 간의 공통적인 평평한 최소점을 찾음으로써 다양한 불변 특징을 학습하는 새로운 알고리즘인 적응형 선예도 인식 그룹 분포 강건 최적화(ASGDRO)를 제안합니다. 이론적으로 공통적인 평평한 최소점을 찾는 것이 다양한 불변 특징을 기반으로 한 강건한 예측을 가능하게 함을 보여줍니다. 새로운 벤치마크를 포함한 여러 데이터셋에 대한 실험적 평가는 ASGDRO의 분포 변화에 대한 강건성을 확인하고 기존 방법의 한계를 강조합니다.
