이 논문은 사전학습된 트랜스포머 기반 인식 모델을 새로운 환경에 배치할 때 정확도가 저하되고, 다수결 같은 결합 방식이 조율된 공격에 취약하다는 문제를 다룬다. 저자들은 각 모델의 학습 임베딩으로 구성한 레이블 벡터 풀(LVP)을 이용해 도메인 지식 없이도 벡터 공간 기하 구조만으로 오류 탐지 규칙을 학습할 수 있음을 보였으며, 이는 손수 작성한 도메인 지식 규칙과 F1 기준 0.002 이내로 대등했다. 여러 불완전한 ViT 기반 탐지기의 융합을 정합성 기반 귀추 문제로 정식화해 테스트 시점에 정확한 정수계획법과 다항시간 휴리스틱으로 해결했다. 날씨가 변화한 15개 테스트셋과 6개 ViT 탐지기로 구성된 항공 영상 벤치마크에서, 90% 조율된 레이블 플립 공격 시 평균 F1 0.42로 다수결(0.35) 대비 22% 상대적 향상을 보였고 플립율 0.4 초과 시 모든 테스트셋에서 최고 성능을 기록했다.

• •도메인 지식 없이 레이블 벡터 풀(LVP)의 기하 구조만으로 오류 탐지 규칙 학습, 기존 규칙과 F1 0.002 이내 대등
• •다중 ViT 탐지기 융합을 정합성 기반 귀추 문제로 정식화, 정수계획법과 다항시간 휴리스틱으로 해결
• •15개 날씨 변화 테스트셋·6개 ViT 탐지기 항공 영상 벤치마크에서 검증
• •90% 조율된 레이블 플립 공격에서 평균 F1 0.42로 다수결(0.35) 대비 22% 상대적 향상
• •플립율 0.4 초과 구간 모든 테스트셋에서 최고 성능, 깨끗한 데이터에서도 최강 다수결과 대등