본 논문에서는 손실 지형의 기하학적 특성을 고려하지 않고 평탄성 또는 기울기 정렬만 목표로 하는 기존 방법의 한계를 지적하며, 다중 분포 학습 환경에서는 두 가지 모두를 고려해야 한다고 주장합니다.
새로운 위험 초과 분해를 통해 기울기 정렬과 곡률이라는 두 가지 주요 요인을 도출했으며, 이들은 각각 $ar{H}^{-1}Σ_g$의 미적과 $ar{H}$에 의해 제어됩니다.
SAGE(Spectral-Aware Gradient-Aligned Exploration)라는 새로운 방법을 제안하여 두 요인을 모두 목표로 하며, DomainBed 벤치마크에서 새로운 최고 성능을 달성하고 다중 작업 학습 솔버를 개선했습니다.