실험 조건을 맞추는 문제
도메인 일반화는 학습과 다른 분포에서도 잘 예측하는 것을 목표로 한다. 자료와 구조 및 모델 선택 기준이 다르면 방법 사이의 공정하고 현실적인 비교가 어려워진다.
모델 선택도 알고리즘의 일부
새 도메인의 정답을 자유롭게 볼 수 없는 조건에서는 어떤 모델을 최종 선택할지도 중요한 문제다. 원 연구는 선택 전략이 없는 일반화 방법을 불완전한 구성으로 봐야 한다고 주장했다.
통일된 시험 환경
초기 구현은 일곱 다중 도메인 자료와 아홉 기준 알고리즘 및 세 선택 기준을 포함했다. 같은 틀 안에서 조건을 통제해 비교하고 재현 가능한 실험을 지원한다.
강한 기본 방식의 의미
논문은 주의 깊게 구현한 경험 위험 최소화가 평가 자료 전반에서 강한 성능을 보였다고 보고했다. 새로운 목적 함수의 효과를 평가할 때 기본 방법의 구현과 선택 조건도 함께 확인해야 함을 드러냈다.
관련 문서
WILDS / 불변 위험 최소화 / 그룹 분포 강건 최적화 / 지름길 학습 / 기계 학습의 과소명세 / 다양한 분포 변화의 견고함