본 논문은 시각적 인식에서 딥러닝 모델이 소음 레이블로 인해 성능이 저하되는 문제를 해결하기 위해 불일치 불변성이라는 새로운 현상을 발견했어요. NegScale이라는 프레임워크를 제안하여, 관련 없는 샘플 간의 불일치를 강조하고, 구조적 부정 직교성 페널티(SNOP)와 불일치 보정된 유사성 조정(DCSA)을 통합했어요. CIFAR와 실제 데이터셋에서 NegScale이 기존 방법보다 성능이 우수하며 새로운 벤치마크를 달성했어요.