본 논문은 제한된 레이블 환경에서 하위 작업 성능과 모델 일반화를 향상시키는 데 효과적인 대조 학습(Contrastive Pretraining)이 증강 파이프라인의 선택에 민감하다는 점에 주목합니다. 기존의 증강 파이프라인은 미리 정의된 광도 변환을 통해 도메인 특정 변화를 모방하지만, 현실적인 도메인 변화를 시뮬레이션할 수 있다면 더 나은 성능을 얻을 수 있을 것입니다. 본 논문에서는 반실제(Counterfactual) 이미지 생성의 최근 발전을 활용하여 이 문제를 해결하는 CF-SimCLR이라는 새로운 대조 학습 방법을 제안합니다. CF-SimCLR은 근사적인 반실제 추론을 통해 양성 쌍을 생성합니다. 흉부 X선 사진과 유방촬영술 데이터를 포함한 다섯 개의 데이터셋에 대한 포괄적인 평가 결과, CF-SimCLR은 특히 훈련 중에 과소표현된 도메인에서 분포 내 및 분포 외 데이터 모두에 대해 획득 변화에 대한 강건성을 크게 향상시키고 하위 작업 성능을 높이는 것으로 나타났습니다.
