H-SPLIDは、顕著特徴と非顕著特徴を異なる空間に明示的に分解することで、顕著な特徴表現を学習するための新しいアルゴリズムです。この手法は、低次元でタスク関連の特徴を学習することを促進し、入力の摂動に対する期待される予測偏差が顕著サブスペースの次元と、入力と表現の間のヒルベルト・シュミット独立基準（HSIC）によって上限されることを証明します。これにより、ロバスト性と潜在表現圧縮の次元性や情報保存の観点での関連性が確立されます。画像分類タスクへの実証評価では、H-SPLIDで訓練されたモデルが主に顕著な入力成分に依存し、非顕著特徴、特に画像の背景に影響を与える摂動に対する感度が低下することが示されています。