연구진은 기존 IMVC 평가 방식이 데이터 불완전성의 근본적인 취약점을 가리고 있다고 지적했어요. 동일한 누락 비율이라도 데이터 프로토콜에 따라 완전 관측 샘플 비율이 최대 50배까지 차이날 수 있으며, 이는 학습 환경에 큰 영향을 미쳐요. CRAFT(Complete-data Robust Attention-masked Fusion Transformer)라는 새로운 모델을 제안하여 단일 모델로 다양한 누락 패턴에 대응하도록 설계했어요.
CRAFT는 샘플별 독립성과 마스크 기반 가변 길이 융합을 통해 완전 샘플의 의존성을 없애고 관측된 뷰만 통합하여 학습 부담을 줄여요. 7개 벤치마크 실험 결과, CRAFT는 기존 방식보다 학습 비용을 8.8배 절감하면서도 성능을 능가하는 결과를 보여줬어요.
연구진은 CRAFT와 IMVC 감사 도구를 공개했으며, 코드와 도구는 익명 과학 링크에서 확인할 수 있어요. 이번 연구는 데이터 누락에 대한 강건성을 아키텍처 자체의 특성으로 구현할 수 있음을 보여줘요.