본 논문은 데이터 효율적인 지능형 기계 개발을 위한 중요한 단계인 조합적 일반화 문제를 다룬다. 특히, 훈련 데이터에는 존재하지 않지만 테스트 데이터에는 존재하는 특성 조합으로 인한 분포 이동(조합적 이동)이라는 어려운 문제에 집중한다. 이러한 이동은 모델의 새로운 특성 조합에 대한 조합적 일반화 능력을 평가한다. 각 에너지 항이 하나의 특성을 나타내는 유연한 가법 에너지 분포로 데이터를 모델링하고, 경험적 위험 최소화(ERM)의 간단한 대안인 조합적 위험 최소화(CRM)를 제시한다. 여러 특성을 예측하는 가법 에너지 분류기를 먼저 훈련한 후, 이 분류기를 조정하여 조합적 이동 문제를 해결한다. CRM에 대한 광범위한 이론적 분석을 통해 제안된 방법이 관측된 특성 조합의 특수한 아핀 헐(affine hull)로 외삽됨을 보인다. 벤치마크 데이터셋에 대한 실험적 평가는 다양한 형태의 하위 모집단 이동을 해결하도록 설계된 기존 방법과 비교하여 CRM의 향상된 강건성을 확인한다.
