本研究では、データシフトの下で深層アンサンブル画像分類器の線形モード接続性（LMC）を実験的に調査しています。LMCは、深層学習のさまざまな側面、特にノイズの多い確率的勾配下でのトレーニングの安定性、局所的最小値の滑らかさと一般化、サンプルモデルの類似性及び機能的多様性、そしてデータ処理におけるアーキテクチャの影響を結びつける現象です。データシフトは確率的勾配ノイズの追加的な要因とみなし、小さな学習率と大きなバッチサイズを通じてその影響を軽減する条件を特定しました。これらのパラメータは、モデルが同じ局所最小値に収束するか、さまざまな滑らかさと一般化特性を持つ損失風景の領域に収束するかに影響します。LMCを通じてサンプリングされたモデルは、異なるバシンに収束するモデルよりも類似の誤りを犯す傾向があるものの、トレーニングの効率と、多様なアンサンブルから得られる利益のバランスを取る点でLMCには利点があります。