본 논문은 기존의 강건한 알고리즘 개발이 구체적인 분포 변화에 대한 경험적 검증 없이 구조적 가정에 의존하는 한계를 지적하며, 경험적으로 기반을 둔 데이터 중심 접근 방식을 제안합니다. 8개의 표 형태 데이터셋, 172개의 분포 쌍, 45개의 방법론, 90,000개의 방법론 구성을 포함하는 경험적 테스트베드를 구축하여 경험적 위험 최소화(ERM) 및 분포적으로 강건한 최적화(DRO) 방법론을 비교 분석했습니다. 분석 결과, 기존 ML 문헌에서 주로 다루는 X(공변량) 변화와 달리 Y|X 변화가 가장 흔하게 나타났으며, 강건한 알고리즘의 성능이 일반적인 방법보다 우수하지 않음을 발견했습니다. DRO 방법론에 대한 심층 분석을 통해, 모형 클래스 및 하이퍼파라미터 선택과 같은 구현 세부 사항이 불확실성 집합이나 반경보다 성능에 더 큰 영향을 미침을 밝혔습니다. 마지막으로, 분포 변화에 대한 데이터 중심적이고 귀납적인 이해가 알고리즘 개발에 새로운 접근 방식을 제공할 수 있음을 사례 연구를 통해 보여줍니다.
