연구진은 엔트로피 최소화(EM) 방식의 모델 붕괴 현상이 데이터 분포 변화로 인한 특징 클러스터 병합 때문임을 밝혀냈습니다. 이로 인해 예측 편향이 발생하며, EM은 이러한 편향을 심화시켜 모델 붕괴를 야기합니다. 예측 편향을 완화하기 위해 예측 클래스 기여도를 균등화하는 새로운 목적 함수 DSBR을 제안하고, 의료 영상 데이터셋과 ImageNet-C에서 성능을 검증했습니다.
DSBR은 테스트 시간 적응을 안정화하고 모델 붕괴를 방지하며, 기존 방식보다 우수한 성능을 보였습니다. 특히 DSBR은 테스트 시간에서만 작동하여 추가적인 학습 비용이 없습니다.