본 논문은 딥러닝 모델이 훈련 데이터 내의 스퓨리어스 상관관계를 학습하고 활용하여 예측에 사용하는 문제를 해결하기 위해, 다중 편향(예: 성별 편향, 단순성 편향)을 동시에 해결하고 분포 외 강건성을 향상시키는 보다 일반적인 형태의 반사실적 데이터 증강 방법인 카운터 바이어스 데이터 증강을 제안한다. CoBA: CounterBias Augmentation 프레임워크는 텍스트를 주어-술어-목적어 트리플로 분해한 후, 이러한 트리플을 선택적으로 수정하여 스퓨리어스 상관관계를 파괴한다. 조정된 트리플로부터 텍스트를 재구성함으로써 CoBA는 스퓨리어스 패턴을 완화하는 카운터 바이어스 데이터를 생성한다.
